如何为业务选模型:先按任务难度分档,再用自己的数据评测
选模型先看任务难度:分类、抽取、改写用便宜的小模型,问答、总结、写作用主力模型,复杂推理和多步骤工具调用再上旗舰或推理模型。本文给出分档表、评测脚本和实时价格对比。
选模型分三步:按任务难度定档位,在这一档里挑 2 到 4 个候选,再用 50 到 200 条自己的真实数据评测,选达标的模型里最便宜的那个。大多数企业场景用不上最贵的模型。分类、抽取、改写这类任务,小模型的单价常常只有旗舰模型的几十分之一,下面的实时价格可以直接对比。
按任务难度分档
| 档位 | 典型任务 | 选型要点 |
|---|---|---|
| 轻量 | 意图分类、情感判断、字段抽取、格式转换、短文改写 | 输入输出都短、调用量大,优先看单价和速度 |
| 主力 | 知识库问答、客服回复、总结、营销文案、翻译 | 质量和价格都要顾,输入通常很长,留意输入单价 |
| 旗舰与推理 | 多步骤推理、复杂分析、长文档综合、多步骤工具调用 | 质量优先,只用在少量高价值的请求上 |
要读发票、截图、商品图,选带识图能力的模型。做知识库检索还要向量模型和重排模型,见企业知识库与 RAG。
轻量档候选
| 模型 | 厂商 | 最低价分组 | 输入 ¥/百万 | 输出 ¥/百万 | 按次 ¥/次 |
|---|---|---|---|---|---|
| gpt-5.4-mini | OpenAI | 标准 | ¥1.5 | ¥9 | — |
| gpt-4o-mini | OpenAI | 标准 | ¥0.3 | ¥1.2 | — |
| doubao-seed-2-0-mini-260215 | 字节豆包 | 国产模型 | ¥0.28 | ¥2.8 | — |
| Claude Haiku 5.5 | Anthropic | Claude 优质 | ¥0.4 | ¥2 | — |
价格为人民币,取各模型最低价分组;价格更新于 2026年11月12日 20:17。
主力档候选
| 模型 | 厂商 | 最低价分组 | 输入 ¥/百万 | 输出 ¥/百万 | 按次 ¥/次 |
|---|---|---|---|---|---|
| deepseek-v4.1-flash | DeepSeek | 国产模型 | ¥2.8 | ¥11.2 | — |
| qwen3.5-plus | 通义千问 | 国产模型 | ¥1.12 | ¥6.72 | — |
| gemini-3.8-flash | 标准 | ¥1.5 | ¥7.5 | — | |
| Claude Sonnet 5.5 | Anthropic | Claude 经济 | ¥3.2 | ¥16 | — |
价格为人民币,取各模型最低价分组;价格更新于 2026年11月12日 20:17。
旗舰与推理档候选
| 模型 | 厂商 | 最低价分组 | 输入 ¥/百万 | 输出 ¥/百万 | 按次 ¥/次 |
|---|---|---|---|---|---|
| gpt-5.5 | OpenAI | 标准 | ¥10 | ¥80 | — |
| Claude Opus 5.5 | Anthropic | Claude 经济 | ¥8 | ¥40 | — |
| gemini-3.1-pro-preview | 标准 | ¥4 | ¥24 | — | |
| deepseek-v4-pro | DeepSeek | 国产模型 | ¥16.8 | ¥33.6 | — |
价格为人民币,取各模型最低价分组;价格更新于 2026年11月12日 20:17。
档位按各厂商对模型的定位粗分,同一档里的模型差别也不小,最后还是看你自己的评测结果。
用自己的数据评测
- 准备样本:从真实业务里抽 50 到 200 条输入,每条写好期望结果,常见情况和容易出错的情况都要有。
- 固定提示词:所有候选模型用同一份系统提示词和参数,比较才公平。
- 跑一遍并记录:每条记下是否正确、耗时,以及
usage里的 tokens。 - 算账:正确率达标的模型里,用平均 tokens 乘单价,选单次成本最低的。
- 留一个备选:主模型出问题时可以切过去。
下面的脚本把同一批样本发给几个候选模型,统计正确率、平均耗时和平均 tokens:
import os
import time
from openai import OpenAI
client = OpenAI(base_url="https://open.tutujin.com/v1", api_key=os.environ["TUTUJIN_API_KEY"])
candidates = [
"gpt-5.4-mini",
"deepseek-v4.1-flash",
"qwen3.5-plus",
]
samples = [
{"text": "快递三天了还没到,怎么回事", "label": "物流"},
{"text": "这件衣服能退吗", "label": "售后"},
# 换成你自己的 50 到 200 条样本
]
system = "把用户消息归入以下类别之一:物流、售后、商品咨询、其他。只输出类别名。"
for model in candidates:
correct, seconds, tokens_in, tokens_out = 0, 0.0, 0, 0
for s in samples:
t0 = time.time()
resp = client.chat.completions.create(
model=model,
messages=[
{"role": "system", "content": system},
{"role": "user", "content": s["text"]},
],
)
seconds += time.time() - t0
correct += resp.choices[0].message.content.strip() == s["label"]
tokens_in += resp.usage.prompt_tokens
tokens_out += resp.usage.completion_tokens
n = len(samples)
print(f"{model}: 正确率 {correct / n:.0%},平均耗时 {seconds / n:.2f}s,平均 tokens {tokens_in / n:.0f} / {tokens_out / n:.0f}")同样的任务,不同档位差多少钱
一个分类任务,每次输入 300 tokens、输出 10 tokens,每月 100 万次。用轻量模型:
成本估算 · gpt-4o-mini (标准)
- 单价
- 输入 ¥0.3 / 输出 ¥1.2(每百万 tokens)
- 每次用量
- 输入 300 tokens,输出 10 tokens
- 请求次数
- 1,000,000
- 单次费用
- ¥0.000102
合计约 ¥102价格为人民币,取各模型最低价分组;价格更新于 2026年11月12日 20:17。
用旗舰模型:
成本估算 · gpt-5.5 (标准)
- 单价
- 输入 ¥10 / 输出 ¥80(每百万 tokens)
- 每次用量
- 输入 300 tokens,输出 10 tokens
- 请求次数
- 1,000,000
- 单次费用
- ¥0.0038
合计约 ¥3,800价格为人民币,取各模型最低价分组;价格更新于 2026年11月12日 20:17。
如果两者在你的评测里正确率差不多,选前者就行。推理模型实际的输出还要加上思考 tokens,差距会更大。
组合着用更省
- 分级路由:先让小模型判断问题类型或难度,简单的直接回答,复杂的再交给大模型。
- 分工:知识库问答里,用小模型改写问题、做分类,用主力模型写最终回答。
- 降级备用:主模型报错或超时,自动切到同档的另一个模型,做法见如何选分组。
还要看的几项
| 维度 | 怎么看 |
|---|---|
| 能力 | 是否支持识图、工具调用、推理、联网,在模型与价格里按能力筛选 |
| 接口 | 模型支持 Chat Completions、Claude Messages 还是 Gemini 原生接口,见API 参考 |
| 分组 | 模型在哪些分组可用、各分组什么价,打开模型详情页就能看到 |
| 延迟 | 用上面的脚本实测;推理模型先思考再回答,首个字出来通常更慢 |
模型的价格和计费方式见大模型 API 价格怎么算。
常见问题
一定要用最新、最强的模型吗?
不用。大多数企业场景是分类、抽取、改写和基于资料的问答,小模型或主力模型就能做好。先用便宜的模型评测,达不到要求再往上换,通常比一开始就用旗舰模型省很多。
国产模型和海外模型怎么选?
两类模型都能用同一把 Key 和同一套代码调用,区别只在 model 参数。把两边的候选都放进评测,用你自己的数据比较效果、价格和延迟再定。
评测要准备多少条数据?
50 到 200 条有代表性的真实样本一般就能看出差距。样本要覆盖常见情况,也要包括容易出错的边界情况,每条都写好期望结果。
换模型需要改代码吗?
用 OpenAI 兼容接口时通常只改 model 参数。不同厂商对 temperature、response_format、reasoning_effort 等参数的支持不完全一样,换模型后先用小流量验证。