同样的需求，11 个模型：差价 200 倍，贵的不一定好

你让 AI 给你搭一个咖啡店官网。就一页：营业时间、地址、菜单、一张照片。

Claude Opus 5 平均烧掉 519 积分。DeepSeek V4 Flash 只要 2.4 积分。同一个 prompt，差了 200 多倍。

这是 Netlify 最近真干的事。他们刚跟 OpenRouter 合作，接进来一堆新模型。顺手拿同一个 prompt，把 11 个模型各跑三遍，看看到底差在哪。结论比想象中有意思——真正的差距不在质量，在价格。

他们到底测了什么

Netlify 给 11 个模型喂的是同一个任务：建一个社区咖啡店的单页网站。需求写得很直白——"上面这些内容只有我自己改才会变"，意思就是别整花活，别上 CMS。

每个模型跑三遍，结果全部挂出来，你可以直接点进去看真实的生成页面。这比"A 模型在 XX 榜单上比 B 高 2 分"的评测实在多了——你看到的是真东西。

顺带一提，Netlify 内部其实有套自动评估工具叫 AXIS，最近还开源了。但这次他们没走那套严格评分，就是让你亲眼看看：花不同价钱，拿到手的到底长什么样。

先把价格摆出来。同样是咖啡店这个需求，11 个模型的平均积分消耗：

最贵的 Opus 5 和最便宜的 DeepSeek V4 Flash，差了 200 多倍。

更值得玩味的是 Opus 5 自己的发挥。三遍里有一遍，它烧了 1,055 积分——是其他任何一次跑量的四倍。结果呢？确实做得不错，细节足，暗黑模式开箱即用。但你要问值不值这四倍的钱，Netlify 自己都说"见仁见智"。

他们还在报告里补了句实话：Opus 5 有个毛病，经常失控地烧积分，比自己的正常基线高出一大截。这不保证结果更好，也不保证更差，就是"发生了，还挺频繁"。

别急着下结论说"贵的都是智商税"。低价区有惊喜，也有代价。

DeepSeek V4 Flash 只花 2.4 积分，Kimi K2.7 Code 花 19 积分——小到可以忽略。对个人开发者来说，这意味着你可以用几乎零成本，把同一个需求在好几个便宜模型上各跑一遍，挑个顺眼的。

代价在哪？报告说得很实在：便宜模型在向量图形这类"重活"上明显吃力，做出来的东西"你不会真的拿去上生产"。省下来的钱，是拿能力边界换的。

这就像请设计师报价：同一个需求，有人收 5 万有人收 500。收 5 万的不一定画得更好，但收 500 的，大概率有些活接不了。

你可能会想：那我直接看 benchmark 分数，谁高选谁不就行了。

没那么简单。Anthropic 这周刚发了个"概念推理指数"（CRI），号称要把"推理能力"从玄学变成可量化的数字。数据很漂亮：Claude 3.7 Sonnet 只有 28%，Opus 5 有 73.6%，差距一目了然。

但注意一件事——这个 benchmark 是 Anthropic 自己出题、自己测的，没有第三方验证。而且它测的是"概念推理"（哲学、决策论那一类），不是你天天要的代码生成、工具调用。拿它当唯一标准选模型，等于用百米成绩选马拉松选手。

benchmark 能给你一个粗略的参考系，但别让任何一个数字替你拍板。尤其是厂商自己发的。

把 Netlify 这份报告读下来，我的结论是三句话：

第一，先算账。同一份需求，价格能差 200 倍，这是最容易忽略、却最影响成本的一点。把价格放进你的决策里，别只看能力。

第二，跑你自己的任务。Netlify 测的是咖啡店网站，不是你的项目。模型在 A 场景强，不代表在 B 场景强。花十分钟，拿你手头的真实需求跑三个不同价位的模型。

第三，别迷信贵。Opus 5 烧 1,055 积分那次证明了：贵和好之间没有必然关系。性价比最优解，往往在中间价位。

挑一个你手头的真实开发任务——写个函数、搭个页面、review 一段代码都行。用三个不同价位的模型各跑一遍，记下各自花了多少钱、结果能不能直接用。

这一趟下来，你对"该用哪个模型"的判断，会比读十篇评测更准。

参考来源：

✨ 本文由 DeepSeek 生成初稿，Claude 审核润色。