北京
上个月在飞机上，我用断断续续的WiFi连上云服务器，六个子代理同时运行。看着周度token配额比预期消耗得更快，落地时我已经开始为剩下的日子精打细算。
这就是推理套利的日常。不是把所有任务丢给最贵的模型，而是为每个AI任务匹配最便宜且质量可接受的选项。没有基准测试能告诉你哪个模型适合哪个任务、什么价位。我上周发布了覆盖15个模型的38项基准测试，核心发现不是某个模型名字，而是一条路由原则：匹配模型与任务，大多数任务不需要昂贵的那个。
我的五个模型栈
Sonnet是主力。Claude Code里的日常驾驶位，处理所有交互任务：编码、调试、文件编辑、写作、规划。基准测试中100%准确率，每次0.20美元，中位响应4.6秒。以我的调用量，质量成本比无可匹敌。
Opus是升级选项。Sonnet出错或遇到真正棘手的问题时启用。同样100%准确率，但单次0.69美元，3.5倍溢价，多数任务零额外质量提升。溢价物有所值之处：模糊推理、多步因果链、首次答案必须正确且验证成本高昂的场景。
Codex子代理用于交叉验证和成本分散。OpenAI的Codex CLI作为独立推理通道运行，token消耗分散到不同订阅计划，同时交叉检查Opus的工作。同一问题，两个模型，对比答案：一致则高置信，不一致则深挖。GPT-5.2-codex基准测试98.3%，不同架构模型的第二意见曾捕获单模型工作流遗漏的真实bug。上周一次重构中，Codex标记了Sonnet两次通过的监控脚本竞态条件。
Gemini Flash CLI负责研究和文件读取。通过@file语法读取本地文件，内置Google搜索，速度够快，单次研究冲刺烧掉1000次调用。曾需要100家公司的成立日期和员工数，Gemini五分钟搞定，Claude预算分文未动。
我的调用日志显示：典型工作日80-120次API调用（交互工作）加50-200次（自动化脚本）。基准开发期间的峰值日冲到7700次——那是自动化测试，非正常用量。我是Claude Max订阅者，这个背景下的日常推荐仅供参考。
预算周期即工作计划
现在我围绕周度重置周期规划重任务。周一预算充足，排队昂贵的推理任务。周四起，一切可能的路由到更便宜模型或推迟到下一周期。这不是技术限制，是成本纪律。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
