方法論

可信度分級

每條額度都帶一個等級。它說的是我們證據的強度，不是數字的大小。

official

廠商定價頁或文件寫明。必須有來源連結和廠商原話。

measured

我們或社群實測。必須有可查出處，並寫清測法。

estimated

由其他已知量推算。必須把推算依據寫下來。

派生指標取輸入裡最弱的一檔。本比較頁只出現 official 和 measured；estimated 只出現在規劃器裡，那裡你能看見並改動假設。

廠商公開到什麼程度

這跟可信度是兩碼事，但經常被混為一談。Anthropic 那句「比 Pro 多 5 倍用量」是 official 級證據——廠商自己的話——而它描述的額度依然不是一個數字。

published

給了絕對數字，或明確寫了「不限量」。

relative

只給了相對另一檔的倍數，而那一檔自己的額度可能也沒公開。

undisclosed

什麼數字都沒有。

能力檔

檔位只是給廠商公布過可比分數的模型貼的標籤，出現在模型 chip 上，別處不用。檔是粗篩，不是打分，檔內也不排序，站內沒有任何一處按檔篩選或排序。

有廠商公布的 Terminal-bench 2.1 分數就按分數劃：80 及以上為 frontier，70 到 79.9 為 strong，低於 70 為 efficient。沒有分數但廠商對自家模型給出了明確排序的，按那句話定檔並原樣記錄。兩者都沒有的，留空不劃。

未劃檔不等於弱，只是沒人公布過可比的數字。它曾經的代價是過不了能力下限——那個下限已經撤掉了，因為被它擋住的絕大多數不是能力不夠的模型，而是不公布基準分的廠商。現在價值數字改為標明它是按哪個模型算出來的。

兩樣東西我們刻意不用：跨版本的基準分數，它能僅憑版本差異就把一個模型挪一整檔；以及經銷商的計費分檔，它跟價格貼得太緊，拿它劃檔再按「價值除以價格」排名就成了循環論證。

目前覆蓋：19 個 base model 中有 9 個已劃檔。

假設參數

把額度折算成金額，需要一個「編碼工作階段怎麼消耗 token」的模型。這些是編輯假設而非實測，在規劃器裡可以調。

價值數字是怎麼算出來的

一個方案的 API 等效價值，來自一條額度、按一個模型折算。三步決定是哪一條、哪一個。

1. 1對同一個模型，各行是約束。一條整體額度和一條點名該模型的行不是二選一，後者是把前者收窄，所以這個模型的上限取兩者中更緊的那個。
2. 2跨模型，各行是備選。共用一個五小時視窗的幾個模型，視窗花在你挑中的那個上，所以這一組值最好的那個選擇。勝出的模型就是這個數字的計價模型。
3. 3跨組，各行同時生效。五小時視窗和週上限你都會撞上，所以方案值其中最緊的一條。

價值倍數 = 這個數字 ÷ 月費。大於 1.00 表示按公開 API 單價算，這份額度值的錢超過訂閱費本身。

四種情況我們不給數字，而不是給一個軟化過的數字：需聯絡業務的方案；鏈路上任何一處有已公布卻折算不出美元的額度；免費方案，沒有可作除數的價格；公布的額度沒有對應到我們列出的任何模型。

哪個模型做哪類工作

成本試算頁把每一類工作路由到一個模型。這是全站可信度最弱的一層，下面的覆蓋率應當先讀。

覆蓋情況

有基準的品類，檔位按同一品類內已公布最高分的相對位置劃定：達到 92% 以上判 preferred，70% 以上判 capable，低於則判 unfit。用相對值而非絕對值，是因為這些基準難度並不相同——有的滿場最高約 85%，有的只有 65%，固定門檻會僅因試題難度就把同一個模型劃到不同檔。

沒有基準覆蓋的品類，模型從能力檔繼承 capable，且不帶解決率。它仍可被路由，但永遠不會在一場它從未被測量過的成本比較中勝出，頁面會把那一列標為「按檔位」選出。

三類證據，按強度排列：廠商在自家比較表中公布的基準；第三方排行榜反映的聚合行為，因需逐個核對再散布授權，目前尚未啟用；以及本站讀者回饋，它只能產生一條待審改動，本身不會改動任何資料。

架構設計沒有成熟的公開基準，也不預期會有，因此這一品類只給出應當尋找的能力檔，不點名模型。

從 token 單價到每任務成本

更強的模型每 token 更貴、需要的嘗試更少，所以「每 token 更貴」和「每任務更便宜」在同一個模型上經常同時成立。試算比較的是完成一個任務的期望成本：品類基線 token 數按模型調整後，除以它的解決率。

各品類單任務基線 token

所有結果都是區間，由 token 消耗 ±30%、解決率 ±10 個百分點傳播得到。用一個編輯部基線乘以一個基準解決率再算出的單點數字，會是全站看起來最確定、實際最站不住的數。

回饋門檻

對某個品類該用哪個模型的異議，需累計 5 條同向、且佔該（模型，品類）全部投票的 70% 以上，才產生一條待審改動。改動交人工，對照公開基準核定；回饋本身永遠不改資料庫。

撞上限的回報按方案、週期、使用強度分組，絕不跨強度合併——重度使用者天然集中在更大的方案上，合併會得出「越貴的方案越容易撞上限」這種由購買族群造成的假象。單一格累計滿 20 筆才顯示比率，不足則如實標註樣本不足。

數字怎麼保持新鮮

監測每 3 天重讀一次各家頁面，把讀到的和庫裡的比對。它發現的任何改動，都要有人核對原文確認之後才會上線。廠商頁面讀不動了，這件事會顯示在方案上，而不是被悄悄吸收掉。

最近核實: 2026-07-29