选 2 到 4 个模型并排看。所有数值同源，口径一致，不存在把 v4 和 v5 混着比的陷阱。
上下文不够、许可证不行、速度太慢，任何一条不满足就直接排除。剩下的两三个再比分数。
输入便宜输出贵的模型，在长回答场景下可能比看起来贵的更费钱。3:1 加权是多数场景的合理近似。
同为 $2/$10，输出 token 量可能差 3 倍。表里的“每任务成本”来自 AA 实测，比单价更接近真实账单。