AI 更強也更貴？看懂能力與任務成本曲線，別把排行榜當採購單
最高分與最低成本未必是同一個模型。從能力成本動態圖理解取捨，再用有效任務成本衡量自己的工作。
AI 模型更新很快，每次看到排行榜換人領先，都容易產生「現在就應該換模型」的衝動。Artificial Analysis 在 X 分享的能力與任務成本動態圖，把另一個問題放回視野：能力提高時，我們付出的成本如何變化？這則貼文比較過去十八個月的曲線，本次採集時有接近五百個喜歡與超過兩萬次瀏覽，適合用來理解模型選擇的取捨。
貼文舉出兩個時間點：一年前，當時分數最高的 GPT-5 mini（high）在 v4.3 指標口徑下得十七分，平均每項指標任務成本約零點零五美元，截至貼文所說的上週，Claude Opus 5.5 創下五十八分，任務成本約五點九八美元。這兩個點同時涉及能力、模型、時間與成本的變化，不能直接寫成「同一項工作變貴一百多倍」，也不能倒過來寫成「AI 已便宜一百多倍」。
我的看法是，這類圖最適合拿來縮小候選範圍，再回到自己的工作做驗證。企業需要的是能以合理成本穩定完成任務的模型，而最高分、最低單位價格與最快回答，未必落在同一個選項上。先定義可接受的結果，再比較總成本，通常比追著排行榜換工具更有用。
先認識 Pareto 前緣：同時比較能力與成本
Pareto 前緣可以理解成「目前沒有其他候選項，在這兩個指標上同時比它更好」的一組選擇。假設有兩個模型，甲的能力較高、成本也較高，乙的能力較低、成本較低，兩者可能都值得考慮。若丙的能力比乙低、成本卻比乙高，在這個比較範圍內就缺乏明顯優勢。
這個概念能幫助讀者避免只看單一排行。橫軸是成本、縱軸是能力時，你可以先排除明顯被其他選項壓過的點，再根據需求選擇適當位置。它不會替你決定應該花多少錢，也不會把資料保護、部署地區、回應速度或產品整合一起算進去。
圖上的前緣還依賴比較集合。若某個適合你的模型沒有被測試，它就不會出現在圖上，若成本計算方式或任務組成改變，點的位置也可能移動。因此「位於前緣」應理解為特定資料與條件下的結果，不能延伸成全面優於所有其他產品。
對一般讀者，一個實用的閱讀順序是先看指標定義，再看模型設定與日期，最後才看點的位置。同樣的模型名稱可能有不同推理設定，較高設定通常會使用更多計算。把不同設定全部當成同一個價格與能力，容易讓比較失去意義。
任務成本與每百萬 token 價格，差在哪裡
模型價格表常以 token 計費。Token 是模型處理文字時使用的片段單位，並非每個字都一定對應一個 token。輸入、輸出、推理與快取可能有不同計費方式，因此價格表提供的是各類使用量的單位價格，不能直接告訴你完成一項工作要花多少錢。
Artificial Analysis 的方法說明，把任務成本建立在各評估的實際使用量與對應價格，再依指標權重彙總。資料包含輸入、快取命中、快取寫入、推理與回答等價格。這讓比較更接近「跑這組任務花多少錢」，也同時限制了它的適用範圍：你的工作若需要不同長度的資料、不同工具或不同重試方式，成本就可能不同。
可以用一個假設例子理解。模型甲每次呼叫較便宜，但完成一項任務平均要重試三次，模型乙每次呼叫較貴，卻能一次完成。最後的費用可能接近，也可能由乙更低。若甲經常需要人員補救，還要加上人工時間。這個例子只是說明計算方法，並非本文對任何特定模型的實測結果。
快取也需要看使用情境。快取是重複使用先前已處理內容的方法，在符合服務條件時可能降低部分費用或時間。若你的工作每次輸入都不同，就不能假設會有同樣收益，若大量任務共用一份長檔案，則值得確認快取規則。只比較一般輸入價格，可能漏掉實際成本中的重要差異。
十七分到五十八分，不能讀成答案正確率
綜合能力指標把多種測試結果按方法彙總，用來比較模型在一組任務上的表現。十七分與五十八分並不表示「答對十七趴」與「答對五十八趴」，也不能把分數比例直接換算成工作效率倍數。理解這一點，才能避免把綜合排行榜寫成不支援的效果承諾。
Artificial Analysis 的 v4.3 更新加入或調整代理與程式相關評估，並說明不同類別權重。這意味著綜合分數的變化可能反映多項能力的提升，而使用者實際需要的可能只有其中一小部分。公司若主要整理短檔案，未必能從高難度程式任務的提升獲得相同收益。
模型設定也影響表現。貼文中的 high 是推理投入設定的一部分，不能省略後再拿去與其他設定下的價格比較。推理投入較高，可能讓模型花更多步驟處理問題，它是否值得，取決於任務難度與失敗成本。簡單分類工作如果已經能穩定完成，就未必需要最高設定。
時間點同樣重要。九月七日的 v4.3 官方文章與九月下旬的 X 貼文，是不同日期的資料。本文以貼文所列的兩個端點解釋趨勢，以方法頁理解指標，沒有把較早文章中的排名當成九月三十日的最新完整排行。看到類似比較時，應保留日期與版本，才知道結論依據哪一張快照。
分數提高，為什麼完整工作仍可能失敗
企業工作常由多個相依步驟構成。整理客戶需求可能需要先讀資料、找出條件、產生檔案，再核對結果是否符合要求。即使大部分步驟成功，只要漏掉一個必要條件，整體工作仍可能不合格。綜合分數無法直接告訴你每一條工作流程的完整成功率。
官方方法對代理工作流程的評估，區分完成部分目標的分數與全部目標都完成的比例，也把違反護欄的情況納入計分。護欄可以理解成任務中不能違反的限制，例如不得修改指定資料或不得執行未授權操作。這種區分很實際，因為「做了很多事」與「完成正確的工作」之間可能有落差。
採購時，可以借用相同思路，把任務寫成明確的完成條件與不可違反條件。以整理訂單報表為例，完成條件可能是所有指定欄位都正確，限制則可能是不能更動原始資料。若模型填好九成內容，卻把來源檔案改掉，就不應只記錄高完成度而忽略這項失敗。
這也解釋了為什麼能力提升不一定立刻消除人工檢查。流程越長，越需要確認中間狀態、保留操作紀錄與安排失敗回復。模型可以承擔更多步驟，人仍要判斷哪些結果能自動接受、哪些需要抽查，以及哪種錯誤必須立即停止。
選模型之前，先把自己的任務分層
比較合理的第一步，是把工作分成簡單可核對、需要推理，以及失敗成本高的幾類。短文字分類、固定格式轉換與公開資料整理，通常比較容易設計驗證方式，多步驟推理或跨工具操作，則可能需要更多能力與控制。這只是評估起點，仍要用實際資料確認。
每一類都準備少量具有代表性的任務，包含一般案例與容易出錯的邊界情況。不要只選最乾淨的資料，否則測試結果會過度樂觀。比如檔案可能有缺欄、重複、互相矛盾或格式變化，這些條件才接近日常工作。測試資料也應符合公司的使用與資料處理要求。
接著比較兩到三個候選模型與合理設定，記錄一次完成、重試、人工修改與總費用。若較便宜的選項已滿足要求，就有理由先使用它，若失敗多到抵消成本優勢，再評估更強的選項。這樣的選擇依據來自任務結果，也比較容易對主管解釋。
可以在正式擴大前設定一個停止條件。例如出現資料越權、無法核對的來源或不可回復的修改時，暫停自動流程，回到人工處理。停止條件能讓團隊知道何時應介入，避免為了維持自動化率而接受不可靠的結果。
算總成本時，把人員與重試放進去
有效任務成本可以用「總投入除以可接受完成數」理解。總投入包含模型費用、工具費用與必要人工處理時間，可接受完成數則依事先定義的標準判斷。這比單看每次呼叫費用更接近企業實際付出的代價，也能比較不同方案的價值。
假設一個方案每百次呼叫便宜很多，但其中二十次需要人工修正，另一個方案只要處理少數例外。若工作量很大，人工差異可能成為主要成本。反過來，若每次結果都能快速自動驗證，便宜模型的優勢就可能很明顯。關鍵在於驗證與補救需要花多少時間。
回應時間也有成本。面向使用者的服務若讓人等得太久，可能增加中途離開或客服詢問，背景批次工作則可能較能容忍等待。相同模型在不同流程裡，最適設定可能不同。不要把一個團隊使用最高推理設定的經驗，直接推廣到所有工作。
最後還要考慮整合與維護。模型更換可能需要修改提示、重新驗證格式、確認工具相容與調整失敗處理。若每週都因榜單更新而切換，維護成本可能吞掉價格收益。只有當新選項在自己的任務上帶來明確改善，才值得安排切換。
Artificial Analysis 官方動態圖影片，呈現十八個月的能力與任務成本前緣變化。 影片來源：Artificial Analysis 官方 X。
官方動態圖，適合看趨勢與候選範圍
這篇搭配 Artificial Analysis 原始影象與動態圖影片，讓讀者直接看見能力與任務成本位置隨時間改變。它是一個對評估資料的視覺化呈現，並非某家企業的實際帳單，也沒有替所有部署方式計算成本。把它當成選擇候選模型的起點，會比當成採購結論更合適。
圖上的點向更高能力或更低成本移動，可能代表新模型、不同設定或價格變化。要理解某次變化，應檢視對應資料與方法，不能只憑動畫猜原因。尤其在任務組成或評估版本改變時，跨期比較必須確認是否採用一致口徑。
實務上，可以把當期候選模型與自己的測試結果一起儲存。未來排行榜更新時，先確認哪些任務仍有問題，再挑對應的新選項重測。如此可以把追蹤科技新聞轉成有目的的改進，減少因新名稱或高分而反覆更換工具。
常見問題
前緣上的模型就是最適合我的嗎？
它在圖中比較的能力與成本指標上具有某種優勢，但你的需求還可能包含速度、資料處理、部署與整合。應把圖用來縮小範圍，再做自己的任務測試。
為什麼每百萬 token 很便宜，帳單還是高？
總費用受到輸入長度、輸出、推理、快取與重試次數影響。多步驟流程可能呼叫模型很多次，因此需要按完成一項工作所用的全部資源計算。
能力分數從十七到五十八，表示效率增加三倍以上嗎？
不能這樣換算。綜合分數由多項評估彙總，並非時間或完成量的直接倍數。實際效率要看你自己的工作流程、成功率與人工介入。
先決定什麼叫完成，再選付得起的模型
Artificial Analysis 的動態圖提醒我們，模型能力與成本必須一起看。最高分的選項可能適合困難任務，便宜的選項也可能足夠完成日常工作。兩者都需要放回具體情境判斷。
選模型時，先寫出完成條件與限制，記錄成功、重試與人工成本，再決定是否升級。當模型可以穩定交付你需要的結果，且總投入合理，排行榜上的位置才會轉化成實際價值。
