单价降两成，单任务成本反涨 21%：编码 Agent 的账要按任务算

编码模型这周的榜首换人了。但真正值得看的不是名次，是两个数放在一起：综合分从 60 涨到 66，单任务成本从 10.79 美元涨到 13.04 美元。厂商同期还把单价降了两成。

标价降，账单涨。下面把这两个数拆开算一遍，再说清楚什么时候值得多付这笔钱。

结论先行：6 分，和 21%

Opus 5.5 在一份公开的编码 Agent 综合指数上拿到 66 分，比上一代高 6 分，是这份榜单目前测到的最高分。换成钱：一个任务 13.04 美元，上一代是 10.79 美元，涨了 21%。

厂商同期干了另一件事。输入/输出单价从每百万 token 5/25 美元降到 4/20 美元，缓存读从 0.50 降到 0.20。三档全降。

也就是说，这次账单上涨跟定价没关系。单价降了两成，单个任务的支出还是涨了两成。差额全部来自用量。

任何只按价格表选编码 Agent 的做法，在这一轮会直接选反。

66 分是三项等权算出来的

三项等权合成 66 分。

表里最该注意的是第一行。终端操作类任务的涨幅比另两项大一截，而这类任务的特点是没法一次写完：要在终端里反复执行、读报错、改方案，一轮接一轮。

涨分最多的地方，正好是最费 token 的地方。

涨的钱全在输出侧

按用量拆开，两代的差别就两类：

• 单任务总 token：1140 万涨到 1560 万，多 37%
• 单任务输出 token：约 13.7 万涨到 33.3 万，翻了一倍多

缓存输入同时从 1090 万涨到 1460 万，看着也不少，但输出单价是输入的 5 倍。同样一笔涨幅，落在输出上要贵得多。

结论很直接：账单涨的不是单价，是它做的事变多了。写得更长、试得更多轮，钱就出去了。

「想得久」要按输出计费

现在主流做法是把思考过程算进输出 token 一起计费。这条规则决定了一件事：模型的进步如果来自更长的思考链和更多轮工具调用，那么能力上涨会同步推高账单。

这也解释了一个很常见的困惑：换用更强的模型之后，账单涨幅总比按单价估算的猛。你买的不只是「更聪明」，而是「愿意多想几轮」。聪明是结果，多轮是过程，计费按过程算。

所以判断值不值，不能比单价，只能比任务。

分数和成本要成对看

这次的结果在「分数—成本」平面上把可行区域往外推了一点：没有更便宜的模型能打到 66 分。注意这句话的含义。它不是说性价比更高了，而是说想拿这个分数就得掏这个钱。

采购上的正确动作是分层，而不是全换：

• 要反复试错、失败代价高的任务，用贵的这一档
• 一次能说清、改错了也无所谓的小改动，交给便宜的那一档，你付的是它的思考，不是体力
• 卡在中间的任务，先量一遍再定

怎么把这笔账算进预算

按 token 单价预估成本，是目前最容易出错的做法。可行的顺序是：

1. 从过去一段时间的真实提交里抽一批任务，记录每个任务的 token 消耗，算出任务级平均值
2. 用任务平均消耗乘单价，得出「每个任务多少钱」，只有这个数能进预算
3. 把这个数配上通过率再比一次。便宜两成、失败率高一倍的模型，真实成本反而更高
4. 多轮任务保持上下文前缀稳定，让缓存读命中。这次 1560 万 token 里有 1460 万是缓存读，命中率一动，账单立刻跟着动
5. 要压成本，先调努力档位和工具调用轮数上限，再考虑换模型。少想一点、少试两轮，对账单的影响比换模型更直接

三个容易翻车的地方

榜单口径是「最高努力档」。 分数和成本都是在拉满的档位下测的。你的接入方式不拉满，这两个数就不成立。反过来也别拿自己跑了一两次的体验去推翻它，因为你用的不是同一个档位。

任务成本跟你的代码库强相关。 仓库越大、语言越杂、测试越慢，单任务消耗会明显高于榜单平均值。榜单给的是它自己那套题的平均值，能不能直接套到你的仓库，要先量。

缓存便宜是有条件的。 缓存读单价低，前提是前缀稳定、且在有效期内还能命中。把这部分当成「肯定会便宜」来算预算，很容易超支。

一句话

分数买的是能力上限，任务成本才是你要付的账。

这次两个数一起涨，涨幅都不小：6 分，21%。选模型时先问它能干什么，再问干一次多少钱。单价不是答案，每个任务的钱才是。