📍 真實場景
阿凱，接案的後端工程師，正幫一家 12 人的電商公司做客服自動化
他的客服機器人每天要處理約 500 件任務（查訂單、改地址、寫回覆草稿），老闆要他在月底前交出「下個月 AI 預算」的報告
😖 卡住的地方：上週他才選定 GPT-6 Sol 並估好預算，今天同一家公司就推出 GPT-6.1 Sol，Hacker News 上又吵成一團。他不知道該不該換、換了會省多少、會不會變笨，也不會看那些「指數」「效率前緣」的圖
💡 這課帶你把一篇模型比較報告讀成一張預算表：看懂「每項任務成本」、「快取折扣」、「帕雷托前緣」，並親手算出換模型到底省多少錢
🧭 這到底是什麼（白話版）
2026 年這個時間點，AI 公司換新版模型的速度非常快。這則新聞的主角是 GPT-6.1 Sol：它上線才 7 天，就直接取代了 GPT-6 Sol。第三方評測機構 Artifact Analysis 用自己的 Intelligence Index（智慧指數）把模型放在一堆測驗題上考試後，整合成的一個總分，分數越高代表整體越會做題 來比較，結果 GPT-6.1 Sol 只比旗艦款 GPT-6 Astra 低 1 分。
最有感的是價錢。評測用的單位叫 Cost per Task（每項任務成本）讓模型完整做完一題測驗所花的總美元，包含輸入與輸出的費用。以最高努力程度來看，GPT-6.1 Sol 做一項任務花 0.72 美元，GPT-6 Astra 要 3.26 美元，上一代 GPT-6 Sol 是 1.05 美元，更早的 GPT-5.6 Sol 是 1.99 美元。也就是說，它的成本不到旗艦款的四分之一。
單價表面上沒變：每百萬個 tokenAI 讀寫文字的計費單位，大約是一個字或半個字 輸入收 2 美元、輸出收 10 美元，跟 GPT-6 Sol 一樣。但 快取讀取折扣如果你重複送同一段開頭內容（例如固定的系統指令），AI 會從暫存直接讀，這部分價格打折 從 90% 提高到 95%，所以反覆叫用、開頭內容很長的 agentic 工作流讓 AI 自己多步驟地做事、呼叫工具、反覆讀寫的用法，而不是一問一答，實際帳單會再少一點。
除了便宜，它也真的變強了：終端機操作測驗 Terminal-Bench 4.0 進步 12 分，Humanity’s Last Exam 進步 5 分，AA-Omniscience 的準確度進步 8 分，幻覺率AI 不知道卻硬編出答案的比例，越低越可靠 從 60% 降到 54%。這些都是報告裡寫出來的數字，不是我們的推測。
🎯 為什麼值得你花時間
預算要重算同樣品質等級的工作，成本可以掉到原本的 31% 到 36%（比 GPT-6 Sol 省 31%，比 GPT-5.6 Sol 省 64%）。如果你上週才報過預算，這週就已經過時了，報價與選型需要有「定期重新比較」的習慣。
便宜不等於變笨過去常見的取捨是「便宜就弱」。這次報告指出 GPT-6.1 Sol 各個努力程度都把成本效率的前緣往外推：在同樣的智慧分數下，找不到更便宜的模型。選型不再只是旗艦與平價二選一。
但有隱藏成本要看它輸出的 token 比 GPT-6 Sol 多約 10% 到 30%，因為輸出每百萬 token 要 10 美元，話多的模型會吃掉部分省下來的錢。只看單價會誤判，要看「做完一項任務總共多少錢」。
⚙️ 它是怎麼運作的
1
先決定要比什麼評測機構把模型丟進同一組測驗題（智慧指數、寫程式代理指數、幻覺測驗等），每個模型用同樣的方式跑，這樣分數才能公平比較。
▼
2
記錄分數，也記錄花費每個模型做完整套題目，除了算分數，也記下總共花了多少美元，再除以題數，得到每項任務成本。
▼
3
調整努力程度再測一次同一個模型可以設定不同的 effort（努力程度）告訴模型要花多少力氣思考，越高通常越準但越貴越慢，例如 low、medium、xhigh、max。每個設定都跑一次，得到一組「分數 vs 成本」的點。
▼
4
畫出帕雷托前緣把所有點畫在圖上，橫軸是成本、縱軸是分數。帕雷托前緣在圖上沒有任何點能同時更便宜又更聰明的那條邊界線 上的點，就是「沒有更好的選擇」的點。報告說 GPT-6.1 Sol 的每個努力程度都落在前緣上。
▼
5
對照你的需求選點你的任務需要多高的智慧分數？預算上限多少？在前緣上挑一個剛好夠用的點，而不是一律選最貴的。
最高努力程度下，各模型每項任務成本（來源：評測報告）
| 模型 | 每項任務成本（美元） | 相對 GPT-6.1 Sol |
|---|
| GPT-6 Astra（旗艦） | 3.26 | 貴約 4.5 倍 |
| GPT-5.6 Sol | 1.99 | 貴約 2.8 倍 |
| GPT-6 Sol | 1.05 | 貴約 1.5 倍 |
| GPT-6.1 Sol | 0.72 | 基準 |
🛠️ 動手做：用報告數字算你的月預算
- 拖動滑桿，設定你每天要處理的任務數（例如阿凱的客服機器人是 500 件）。
- 觀察表格：每月花費 = 每項任務成本 × 每天任務數 × 30 天。
- 找出：任務數在 500 件時，換成 GPT-6.1 Sol 相較 GPT-6 Sol 每月省多少美元？相較 GPT-6 Astra 呢？
- 想一想：這張表只算了「每項任務成本」，沒有反映各模型的智慧分數差距。如果你的任務需要最後那 1 分，你願意多付多少錢？
👇 下面是活的，直接操作
🧠 工程思維透鏡（資深工程師看到的是什麼）
🔭 為什麼單價沒變，報告還說「成本下降」？資深工程師看的是哪個數字？
單價（每百萬 token 2 美元與 10 美元）只是零件價格，真正的帳單是「單價 × 用了多少 token」。GPT-6.1 Sol 的輸出 token 反而多了 10% 到 30%，但每項任務成本仍降了 31%，代表它在其他地方省下的更多（例如快取折扣提高、用更少回合或更少重試完成任務）。工程師的習慣是看端到端的單位成本（每項任務多少錢），而不是只比較價目表。這也提醒你：在自己的系統上實測一次，比相信任何通用數字都可靠。
🔭 為什麼 xhigh 努力程度在寫程式代理指數上，反而比 max 高 3 分？
報告觀察到 xhigh 比 max 多 3 分，而且 xhigh 的分數比 GPT-6 Astra 還高 1 分、成本卻不到 15%。這顯示「最高檔」不一定是最好的檔：思考太久可能過度推理、繞路，反而降低結果。工程上的權衡是：旋鈕不是越大越好，必須對自己的任務做掃描實驗，找出甜蜜點。我們沒有報告提供的原因說明，不宜擅自斷言機制，但結論——要實測、不要預設最高檔最佳——是站得住腳的。
🔭 模型 7 天就換代，這對系統架構設計意味著什麼？
如果你把模型名稱寫死在程式各處，每次換代都要大改。有經驗的人會把模型名稱、努力程度、價格放進設定檔，並保留一套固定的小型測試題（回歸測試），換模型時先跑一遍，比較品質與成本再切換。此外，幻覺率從 60% 降到 54% 仍然偏高，意味著即使新模型更強，關鍵流程仍需要人工覆核或查證機制，不能因為分數高就拆掉安全網。
📝 隨堂考（點選答案，立即回饋）
Q1. 依報告，GPT-6.1 Sol 在最高努力程度下的每項任務成本，大約是 GPT-6 Astra 的多少？
✅ 0.72 美元對 3.26 美元，約 22%，確實不到四分之一。
Q2. GPT-6.1 Sol 的每百萬 token 價格相較 GPT-6 Sol 有什麼變化？
✅ 報告指出價格維持 2 美元與 10 美元，僅快取讀取折扣上調，所以整體混合價格略低。
Q3. GPT-6.1 Sol 的輸出 token 比 GPT-6 Sol 多約 10% 到 30%。這代表什麼？
✅ 輸出 token 多會推高費用，但報告的每項任務成本仍低了 31%，所以要看端到端的總成本，而不是單一項目。
Q4. 「帕雷托前緣」上的點代表什麼？
✅ 前緣是指沒有任何其他點能同時更便宜又更聰明，報告說 GPT-6.1 Sol 各努力程度都推進了這條前緣。
🃏 翻牌記憶卡（先想答案，再點開對答）
每項任務成本（Cost per Task）是什麼？點我翻面
模型做完一項評測任務所花的總美元（含輸入與輸出），比只看每百萬 token 單價更貼近真實帳單。
GPT-6.1 Sol 與 GPT-6 Astra 的智慧指數差距？點我翻面
只差 1 分，但最高努力程度的每項任務成本不到 Astra 的四分之一（0.72 對 3.26 美元）。
快取讀取折扣提高的影響？點我翻面
從 90% 升到 95%，重複送同一段長開頭的工作（如 agentic 工作流）實際帳單會略低。
為什麼不能只看單價選模型？點我翻面
輸出 token 用量不同（這次多 10% 到 30%），真實成本是單價乘以用量，要看每項任務總成本。
xhigh 與 max 的發現？點我翻面
在 Coding Agent Index 上，xhigh 比 max 高 3 分，且 GPT-6.1 Sol xhigh 比 Astra 高 1 分、成本不到 15%，最高檔不一定最好。