市场正在传播一组极具冲击力的信息：OpenAI推出“全天候自主智能体”Dots，GPT-6.1 Sol性能接近Astra，标准Token价格只有后者的五分之一。
但截至目前，Dots是否已经成为正式产品、具体形态是什么，GPT-6.1 Sol是否为正式模型名称，以及它与Astra之间是否存在可比测试，公开信息尚不足以确认。“五分之一”比较的是输入还是输出Token、标准价还是促销价，也没有完整披露。
真正值得追问的，不是某个模型每百万Token多少钱，而是一项Agent任务最终花了多少钱。
从单次问答转向任务账单
传统API账单通常以输入、输出Token计价，Agent却很少只调用一次模型。一个完整任务可能包含多轮推理、工具调用、结果校验、错误修正，以及过程日志留存。模型先生成查询，再调用数据库或浏览器；工具返回结果后，模型还要判断是否可信，必要时重新调用。最终账单因此由多项变量共同决定。
单个Token更便宜，不等于一项完整任务更便宜。企业至少要同时观察输入Token、输出Token、调用次数、上下文长度和失败重试。若低价模型在复杂任务中更容易出错，重试和人工复核就可能抵消单价优势；若上下文不断累积，后续每一轮请求的输入规模也会扩大。
这也是“五分之一”不能直接用于产业链测算的原因。公开资料尚未披露GPT-6.1 Sol相对Astra的标准输入、输出价格和真实调用数据，不能把传闻中的API价差直接等同于企业任务成本下降。
推理预算正在改写性能与成本曲线
Anthropic于10月7日发布Claude Haiku 5.5，公开口径称其每百万输入Token最低为0.1美元，较上一代下降90%。厂商将其定位于调用量大、价格敏感的任务。
性能数据同样引发关注。Anthropic公布的结果显示，Haiku 5.5在OSWorld 2.1离线任务子集上的成功率为72.4%，上一代Haiku 4.5为15.7%，GPT-6 Luna为48.9%；在GDPval-AA v2.1中，Haiku 5.5得分1620，GPT-6 Luna为1437；在Terminal-Bench 4.0中，两者分别为39.2%和16.4%。
但这些数字不能脱离测试设置理解。现有公开材料并未完整呈现各项成绩对应的推理强度、测试子集和评测主体，因而不能据此得出“低价模型全面超过高能力模型”的结论。尤其是Agent编程和电脑操作任务，模型是否允许更长思考、调用多少工具，都会改变结果。
推理强度本质上是一项可调预算：预算提高，成功率可能上升，但响应时间、输出Token和调用成本也会增加。企业采购时，不能只看最高推理强度下的Benchmark（BHE），还要看中等强度甚至默认设置下的单位任务成本。厂商成绩必须与推理预算、测试环境和失败处理方式一起解读。
小模型更可能成为执行层，而不是替代一切
低价模型的价值，往往不在于独立完成最复杂的Agent编程，而在于承担高频、规则较清晰的环节：摘要、分类、数据库查询、上下文压缩和Subagent任务。强模型负责拆解问题、处理异常和最终决策，小模型负责批量执行，工作流由“单一模型包办”转向“不同能力模型分工”。
这种分工可以降低部分调用的边际成本，却不能简单推导为整体成本下降。复杂任务仍可能需要更高能力模型；如果执行层输出质量不稳定，强模型的校验次数反而会上升。企业真正要比较的，是任务成功率与总调用成本，而不是某个模型在价格表上的位置。
从API价格表走向单位任务经济性
OpenRouter对约12万家使用Anthropic和OpenAI工具的企业进行的分析显示，9月份两家公司的支出份额大致相当；Ramp经济学家援引7万家客户数据称，9月中旬企业在OpenAI模型上的支出首次超过Anthropic。两组数据都说明，价格变化可能带来模型使用扩张，但支出份额上升并不等于利润改善，也不能替代对真实业务产出的验证。
企业评估低价模型，至少应建立一张任务级账单：每项任务的成功率、单位任务成本、平均延迟、重试率，以及最终客户留存。计价时还要核对Tokenizer是否变化、长上下文是否触发额外价格、缓存读取是否有单独费率，并把工具调用、日志存储和人工复核纳入核算。
最有价值的观察场景，是客服回复、文本分类、数据整理和简单代码修改等高频任务。只有当价格下降带来更多生产调用，同时成功率和留存没有明显恶化，低价模型才真正完成了从“便宜”到“可规模化”的转换。
Dots和GPT-6.1 Sol后续能否兑现市场预期，关键不在宣传中的单价，而在正式定价、输入输出口径、推理模式、调用上限、工具权限和企业早期使用数据。公开信息继续补齐之前，市场交易的更多仍是产品分层与价格战预期。Agent时代的成本竞争，最终比拼的不是谁把Token价格写得更低，而是谁能用更少的失败、更少的重复推理和更合理的模型分工，完成同一项任务。
但截至目前，Dots是否已经成为正式产品、具体形态是什么，GPT-6.1 Sol是否为正式模型名称，以及它与Astra之间是否存在可比测试，公开信息尚不足以确认。“五分之一”比较的是输入还是输出Token、标准价还是促销价，也没有完整披露。
真正值得追问的，不是某个模型每百万Token多少钱，而是一项Agent任务最终花了多少钱。
从单次问答转向任务账单
传统API账单通常以输入、输出Token计价，Agent却很少只调用一次模型。一个完整任务可能包含多轮推理、工具调用、结果校验、错误修正，以及过程日志留存。模型先生成查询，再调用数据库或浏览器；工具返回结果后，模型还要判断是否可信，必要时重新调用。最终账单因此由多项变量共同决定。
单个Token更便宜，不等于一项完整任务更便宜。企业至少要同时观察输入Token、输出Token、调用次数、上下文长度和失败重试。若低价模型在复杂任务中更容易出错，重试和人工复核就可能抵消单价优势；若上下文不断累积，后续每一轮请求的输入规模也会扩大。
这也是“五分之一”不能直接用于产业链测算的原因。公开资料尚未披露GPT-6.1 Sol相对Astra的标准输入、输出价格和真实调用数据，不能把传闻中的API价差直接等同于企业任务成本下降。
推理预算正在改写性能与成本曲线
Anthropic于10月7日发布Claude Haiku 5.5，公开口径称其每百万输入Token最低为0.1美元，较上一代下降90%。厂商将其定位于调用量大、价格敏感的任务。
性能数据同样引发关注。Anthropic公布的结果显示，Haiku 5.5在OSWorld 2.1离线任务子集上的成功率为72.4%，上一代Haiku 4.5为15.7%，GPT-6 Luna为48.9%；在GDPval-AA v2.1中，Haiku 5.5得分1620，GPT-6 Luna为1437；在Terminal-Bench 4.0中，两者分别为39.2%和16.4%。
但这些数字不能脱离测试设置理解。现有公开材料并未完整呈现各项成绩对应的推理强度、测试子集和评测主体，因而不能据此得出“低价模型全面超过高能力模型”的结论。尤其是Agent编程和电脑操作任务，模型是否允许更长思考、调用多少工具，都会改变结果。
推理强度本质上是一项可调预算：预算提高，成功率可能上升，但响应时间、输出Token和调用成本也会增加。企业采购时，不能只看最高推理强度下的Benchmark（BHE），还要看中等强度甚至默认设置下的单位任务成本。厂商成绩必须与推理预算、测试环境和失败处理方式一起解读。
小模型更可能成为执行层，而不是替代一切
低价模型的价值，往往不在于独立完成最复杂的Agent编程，而在于承担高频、规则较清晰的环节：摘要、分类、数据库查询、上下文压缩和Subagent任务。强模型负责拆解问题、处理异常和最终决策，小模型负责批量执行，工作流由“单一模型包办”转向“不同能力模型分工”。
这种分工可以降低部分调用的边际成本，却不能简单推导为整体成本下降。复杂任务仍可能需要更高能力模型；如果执行层输出质量不稳定，强模型的校验次数反而会上升。企业真正要比较的，是任务成功率与总调用成本，而不是某个模型在价格表上的位置。
从API价格表走向单位任务经济性
OpenRouter对约12万家使用Anthropic和OpenAI工具的企业进行的分析显示，9月份两家公司的支出份额大致相当；Ramp经济学家援引7万家客户数据称，9月中旬企业在OpenAI模型上的支出首次超过Anthropic。两组数据都说明，价格变化可能带来模型使用扩张，但支出份额上升并不等于利润改善，也不能替代对真实业务产出的验证。
企业评估低价模型，至少应建立一张任务级账单：每项任务的成功率、单位任务成本、平均延迟、重试率，以及最终客户留存。计价时还要核对Tokenizer是否变化、长上下文是否触发额外价格、缓存读取是否有单独费率，并把工具调用、日志存储和人工复核纳入核算。
最有价值的观察场景，是客服回复、文本分类、数据整理和简单代码修改等高频任务。只有当价格下降带来更多生产调用，同时成功率和留存没有明显恶化，低价模型才真正完成了从“便宜”到“可规模化”的转换。
Dots和GPT-6.1 Sol后续能否兑现市场预期，关键不在宣传中的单价，而在正式定价、输入输出口径、推理模式、调用上限、工具权限和企业早期使用数据。公开信息继续补齐之前，市场交易的更多仍是产品分层与价格战预期。Agent时代的成本竞争，最终比拼的不是谁把Token价格写得更低，而是谁能用更少的失败、更少的重复推理和更合理的模型分工，完成同一项任务。
