首页
主流 AI 工具的真实场景对比测试，含独家数据与对比表格。
GPT-6 Astra 发布后，把四大同档旗舰放一张表硬核横评：Astra、Claude Fable 5.1、Gemini 3.8 Flash、GPT-5.6 Sol。结论分维度：推理数学 Astra 近乎满分（FrontierMath T4 97.6%、ARC-AGI-3 99.9%），Sol 的 ARC-AGI-3 仅 7.8%；编码 Agent 必须分版本看 Terminal-Bench——Astra 4.0 版 57.9% 居首，Gemini 在 2.1 版 89.4% 但 4.0 版仅 19.1%；SWE-bench Pro 上 Fable 5.1 的 81.2% 最高；计算机使用 OSWorld 2.0 Astra 72.6% 领先；网络安全 ExploitBench Astra 100%；对齐越权率 Astra 0% 对 Sol 48% 是最大鸿沟。性价比：优惠期 Gemini \$0.75/\$3.75 最低，Astra 与 Fable 同为 \$10/\$50。
2026 年 8 月底至 9 月初，Gemini 3.8 Flash、Qwen3.8-Max-0902、Muse Spark 1.3、Claude Fable 5.1 与 GPT-5.6 Sol 扎堆发布，构成一轮"coding agent"军备竞赛。横评按价格哲学分两档：便宜工作马（Gemini $0.75、Muse $1.25）拼单任务成本；高端前沿（Fable $10/$50、GPT-5.6 Sol $4/$20）。最大陷阱是基准版本碎片化——Qwen 用 TerminalBench 3.0、Fable 用 4.0、其余用 2.1，绝不可摆在一列硬比；本文所有表严格按版本拆分。价值标杆：Muse（智能指数 61、单任务约 $0.40）与 Gemini（近 Opus 5 编码、单价 1/7）最划算；Fable 5.1 拿下 agentic 科学（Terminal-Bench-Science 52.6%）与 SWE-bench Pro（81.2%）。分数均厂商/第三方口径，未确认项已标注。
2026-09-01 Fable 5.1 把 cache read 单价从 $1 降至 $0.25/M（降幅 75%），社群欢呼"agent 更便宜"，但账单是单价乘以 token 结构：cache read 占比越低，降幅落到总成本越有限。本文拆 token 为四类（fresh input / cache write / cache read / output），给成本公式，按四种负载档位做敏感性分析——占比 10% 仅省约 7.5%、33% 约 25%、60% 约 45%（基于官方降幅的推演，非实测）。结论：单价只是第四位因素，命中率、布局稳定、轮次与输出长度更关键；六个工程前提把命中率做上去（前缀不变、布局稳定、turn-scoped 指令、服务端裁剪历史、按频率选 TTL、命中率可观测）。跨厂商横向套用须按官网 2026-09-02 快照填六维向量。
凭据从配置项变成了攻击面，但绝大多数团队防线还停在"给 agent 套个沙箱"。本文与站内沙箱隔离横评明确分工：沙箱管"代码在哪跑"，凭据治理管"密钥怎么用、动作谁批、凭据能不能外带"。对比 OpenClaw 2.0、OpenWorker、OpenHuman 与传统密钥托管四套方案，按凭据生命周期六环节（存/用/批/外带/审计/多 agent）拆：OpenClaw 掩码请求 + opt-in proxy 目标白名单；OpenWorker hard floors + 自主权阶梯 + reviewer model + 熔断器，且无人值守绝不自批；OpenHuman Privacy Mode 在 Rust core 强制 + agent 间 E2E 加密。二手数据（SaaS Sentinel 转述，未找到一手报告）显示 1 个 agent 妥协概率 0.24、7 个升到 0.86，风险随数量超线性增长——前提是"任一 agent 提议即执行"。
模型标价至少套着三层衣服，只看标价等于只看最外面那层：时段（DeepSeek 8 月 17 日起峰谷计价，工作日 9:00–12:00 与 14:00–18:00 为高峰、闲时减半、周末全天闲时，同一模型单价差一倍）、缓存（命中前缀缓存的输入 token 单价远低于标准输入，变量不在厂商手里而在你的提示词结构里）、分词（Sonnet 5 换分词器后相同输入映射 1.0 到 1.35 倍 token 数，且倍数随内容类型浮动）。本文统一口径为「综合单价 =（输入单价 + 输出单价）÷ 2」，即假设输入输出 token 数量相等，作为中立起点，再给三种典型负载比重的重算结果，并覆盖 11 个模型的标价、缓存命中价、峰谷价与分词放大后的实际位置。结论不是「哪个模型最便宜」，而是「不存在最便宜的模型，只存在对你这个负载最便宜的模型」——脱离输入输出比重、缓存命中率与内容类型给出的比价，只是在比标价而非比成本。国内模型价格来自 2026-08-24 逐页复核、8-28 再复核的官方定价页速查表，海外价格来自 2026-08-31 汇总，存在口径冲突的项目文中逐条标注。未做实际调用压测。
长上下文的注意力成本，各家是用不同办法打下来的——本篇按「架构路线」而非参数或价格给开放权重旗舰分个类。主角 Qwen3.8-Flash-Next 走 GDN 压缩历史 + QSA 微块粒度挑重点的混合路线（125B 主模型 + 51B N-gram embedding，每 token 激活 6B，原生 262,144 可 YaRN 外推到 1M）；对照 Hy4 preview 的 Gated DSA 加 IndexCache 跨层索引复用、GLM-5.3-Flash 的稀疏与线性注意力混合、以及 DeepSeek 的 DSA 路线。路线分野归纳为三类：稀疏挑 token、线性/递归压缩、以及两者混合；再用参数、激活比、上下文、许可证与 API 价格快照做辅助列。与站内两篇旧横评分工：那两篇分别算 320B 级 API 价格账与 700B-2.8T 级部署门槛账，本篇只算架构路线账。选型结论给出五条场景路线，并提醒一句：激活比省的是算力，注意力机制决定的是长上下文能不能用得起；协议未确认的模型，商用前先查模型页。
Hy4 preview（770B/49B）发布把开源旗舰的参数军备推到新高，但决定部署成本的不是总参数：激活参数省的是算力，权重驻留吃的是显存。本篇横评五款开放权重旗舰--Hy4 preview、GLM-5.3、Kimi K3（2.8T）、DeepSeek V4（1.6T 口径）、Qwen3.8-Max（2.4T）--按总参/激活比、上下文、许可证、显存门槛（工程估算口径）与 API 价格快照逐项对表。与 8-27 价格横评分工：那篇算 320B 级 API 账，本篇算 700B-2.8T 级参数与部署门槛账。五条按场景结论：追最新选 Hy4（Apache 2.0+MTP 投机解码+FP8 友好）、要参数规模选 K3、要成熟生态选 GLM/DeepSeek、阿里系合规选 Qwen，以及共同一条--先看每 token 成本与稀疏注意力，再看总参。
DeepSeek 8 月 17 日把 V4-Flash 高峰输出提价 350%（2 元到 9 元/百万 token）并首推峰谷定价，九天后智谱上线 GLM-5.3-Flash（输出 2.8 元）正面接招。本篇把账拆到场景算：零缓存的对话/RAG/长文档场景 GLM 便宜近半（优惠期 27%-31%）；但缓存命中率超九成的编程 Agent 场景，V4-Flash 闲时按 90 万/百万走缓存算反而便宜约 32%（推算口径）--提价的那家在它最重的用户群里可能还是更便宜的。高峰时段（9-12、14-18 点）GLM 无峰谷差价优势最大；Kimi K3 输出 100 元/M 是能力溢价不是性价比；行业账本揭示提价是集体动作（DeepSeek 净亏 7.15 亿、智谱定价 +83% 调用量反 +400%）。附五条按场景选型结论。
生图赛道打到了新维度：思考、文字渲染、编辑与图层。本篇横评新一代五强--GPT-Image 2（首个原生推理生图模型，Thinking 模式联网+8 张一致性，文字渲染约 99%）、Nano Banana Pro（Gemini 3 Pro Image，多轮编辑不洗牌的口碑王，原生 4K）、Seedream 5.0 Pro（7 月 8 日上线，中文小字终于不乱码+图层分离，1K 单张 0.3 元）、Ideogram 4.0（6 月 3 日开放 9.3B 权重的文字渲染专精）、FLUX.2（生图编辑一体+10 参考图）。独家成本账：GPT-Image 2 low 档 $0.006 是全表地板价，Seedream 5.0 Pro 是 1K-2K 性价比王，开放权重两强的真实成本是显卡。按场景给五条结论，所有价格标注口径与快照日期。
Wan3.0 上线把「一条 30 秒 1080P 成片到底多少钱」变成可以精算的题。本文横评六大视频生成 API 的成本账：Wan3.0 官方 1080P 1.2 元/秒、单段 30 秒直出 36 元（9-23 前 7 折 25.2 元）；可灵 3.0 约 30 元但需 3 段拼接；Sora 2 pro 30 秒破百；海螺 768P 3 段仅 12 元全表最低。独家算账揭示单段时长上限是被忽视的隐性成本--段数 × 抽卡系数（15-20% 不达标）× 拼接工时才是真实价格，并给出「480P 抽卡 + 1080P 出片」省 65% 的实战打法。所有价格标注官方/聚合口径与日期，代表性对比非亲自压测。