只想抄答案的话：批量跑、长文档、多模态、成本敏感，用 gemini-2.5-pro，一次 0.031 元；要更强的中文写作和代码落地，上 gpt-5.4-pro-thinking（0.15 元）或 gpt-5.5（0.2 元）；推理、数学、复杂规划优先 gpt-5.5。中间档给 gemini-3.1-pro-preview（0.09 元），先跑基线，不够再升。下面给出判断依据和能直接跑的代码。
0.031 元一次，按次计费意味着一次请求固定价，输入多长都不加钱。丢一整本三百页的产品手册进去，和丢一句问候语，账单一样。跑十万次是 3100 元。打标、清洗、摘要、分类、抽字段这类活占了大多数团队八成的调用量，对上限要求不高，对单次成本极敏感，所以便宜那一档不是凑合，而是刚好合适。
0.15 元那一档适合日常写代码、改报错、写中文对外文案；0.2 元那一档留给需要多想几步的活。判断标准很土：把它给的代码原样贴进项目，看编译器和测试报几处错。超过三处，说明它在给你制造工作量，要么换模型，要么把缺的上下文补进 prompt。
0.09 元，和 claude-sonnet-4-5-thinking、deepseek-v4-pro-thinking、kimi-k2.6 同价。用法是先跑基线：同一批任务先用 0.031 元那一档跑一轮看通过率，不够就把失败样本挑出来用这一档重跑。只重跑失败样本，能把升级成本压到总量的百分之几，也避免为两成难样本让八成简单样本一起变贵。
多步推理、数学推导、跨文件重构规划、需要反复自我校验的任务，gpt-5.5 更稳。0.2 元一次听着贵，但这活总量小，一天几十次就是几块钱。判断要不要升级：同一条推理题便宜档做错了，让这一档做一次答对，那这条线以后固定交给它。
百万 token 指的是能塞进去，不是塞进去的都能用上。模型算注意力时，长文本中段的权重会被稀释，开头结尾记得清楚，中间那几万字常常像没读过。两家都有这个问题，不是哪一家的毛病。别只盯窗口数字，要看它在你的文档长度下能不能定位到具体事实。
造一份 8 万字的测试文档，把答案藏三处：开头第 2000 字放一个虚构金额，第 3 万字处放一个虚构订单号，结尾放一个虚构日期。只问三个问题让它把原值引出来，再加 20 轮追问换着问法，看答对几轮。答对 18 轮以上说明中段定位可靠；只在开头结尾答对、中间全错，说明该上检索了。
整个仓库塞进上下文，gemini-2.5-pro 吃百万级 token 更从容，一次 0.031 元也是最省的。但准确率更多取决于塞进去的代码质量，别把依赖目录、构建产物、锁文件一起塞。先用脚本按扩展名过滤，只留源码和配置，体积能砍掉一半以上，中段定位反而更准。
截图转代码、流程图转步骤、报表图取数，Gemini 系读图更细，能跟上箭头方向和模块层级。GPT 系偏描述画面里有什么，要精确还原空间关系时容易读错小字和分支。测试方法：拿一张带三条分支的流程图让它输出条件判断，看分支有没有画反。
扫描版 PDF 的版面还原两家差距不大，难的是跨页合并单元格的复杂表格。找一份带合并单元格的对账单让它输出 JSON，看列名有没有错位、合计行有没有被当成数据行，Gemini 系在这类结构还原上更稳。真做票据产品，先拿二十份真实票据跑一轮再定规则。
Gemini 系原生支持视频帧理解，丢一段操作录屏进去问某个步骤点了哪个按钮，能给出具体位置；GPT 系这条路目前不是强项，硬塞进去只会得到含糊描述。要把录屏转成操作手册，选 Gemini 系省事得多。
| 场景 | 更合适 | 依据 |
|---|---|---|
| 图片截图转代码 | Gemini 系 | 空间关系读得准 |
| 扫描 PDF 结构还原 | Gemini 系 | 复杂表格串行少 |
| 视频帧理解 | Gemini 系 | 原生支持 |
| 中文对外文案 | GPT 系 | 语感更自然 |
| 多步复杂推理 | GPT 系 | 稳定性更好 |
| 十万字文档问答 | Gemini 系 | 便宜且中段定位稳 |
gemini-2.5-pro 0.031 元一次，gpt-5.5 0.2 元一次，比值 6.45 倍。跑十万次，前者 3100 元，后者 20000 元，差 16900 元。这差额够多买一台跑批量的机器。所以问哪个模型更强，这个问题本身不完整，得先问一个月跑多少次、单次输入多长。
按次计费的核心规则是每次请求固定价，输入长度不计入价格，这条规则对长 prompt 批处理的重要性容易被低估。长文档摘要任务平均输入 6 万 token、输出 800 token，按量计费下约 0.192 元，按次计费 0.031 元一次，差了六倍多。prompt 越长，差距越大。
| 模型 | 计价方式 | 单次成本（6 万 token 输入 + 800 token 输出） |
|---|---|---|
| gemini-2.5-pro | 按次 0.031 元 | 0.031 元 |
| gemini-3.1-pro-preview | 按次 0.09 元 | 0.09 元 |
| gpt-5.4-pro-thinking | 按次 0.15 元 | 0.15 元 |
| gpt-5.5 | 按次 0.2 元 | 0.2 元 |
| gpt-6-astra | 按量，输入 3 元每百万 token、输出 15 元每百万 token | 约 0.192 元 |
按量计费的赢面在极短请求和超大输出，比如输入只有几十个字的打标。判断方法：把单次平均输入乘 3 元每百万 token，算出来小于 0.031 元就说明按量更省，折算下来大约是输入低于一万 token。超过这个量，按次计费压得住。
gemini-2.5-pro 做分类、抽取、初筛，一次 0.031 元gemini-3-pro-preview（0.05 元）或 gemini-3.1-pro-preview（0.09 元）做结构化整理gpt-5.4-pro-thinking 只处理需要人工判断的两成样本这套分工下来，整体花费大致是全量用贵模型的两到三成，质量基本不降。落地时每层写清输入输出的 JSON 结构，别让上层的自然语言直接喂下一层。
约束成 JSON 时，GPT 系的 schema 约束更成熟，乱加解释文字、开头来一句问候的情况更少。Gemini 系也支持结构化输出，但嵌套深、字段多时偶尔漏字段，或把数字写成字符串。做法：用 JSON Schema 严格定义类型和必填字段，解析前先校验，失败就带着报错重试一次。
要接 agent 框架、各类集成协议、界面插件，GPT 系兼容性更好。Gemini 系走 OpenAI 兼容层也能用，但个别框架在多轮工具调用的字段包装上会有差异。选型时先确认框架支不支持目标模型。
| 维度 | Gemini 系 | GPT 系 |
|---|---|---|
| JSON 严格约束 | 支持，深层嵌套偶尔漏字段 | 更成熟，前缀废话少 |
| 函数调用生态 | 兼容层可用 | 框架默认对齐 |
| 中文技术文档 | 准确，语句偏直 | 流畅，读起来更顺 |
| 中文对外文案 | 需要多改一轮 | 改一遍基本能用 |
| 生态工具存量 | 增长快 | 存量更多 |
技术文档翻译、注释生成、报错解释两家都够用，Gemini 系更忠实原文，GPT 系更会改写成顺口的话。对外文案、客服话术这类靠语感的活，GPT 系改一遍基本能用，Gemini 系常要多改一轮。混合用法最省心：便宜的出草稿，GPT 系润色收尾。
批处理看吞吐，交互产品看首 token 延迟。Gemini 系单价低，同样的机器能扛更高并发，夜间批量任务的墙钟时间更短。GPT 系在推理类任务上会花更多时间思考，这个时间不该压掉。量化就用脚本跑一百次同一个 prompt，记下 p50 和 p95。
小鱼API 同时提供两条路：https://xyuapi.top/v1（OpenAI 兼容，走 /v1/chat/completions）和 Gemini 原生 /v1beta。字段名完全不一样：兼容端用 messages 数组，每条由 role 加 content 组成；原生端用 contents 数组，每条是 role 加 parts，文本要包在 parts 的 text 里。系统提示词也不同，兼容端放一条 role 为 system 的消息，原生端用 system_instruction。
最常见的坑是把原生请求体发到 /v1/chat/completions，服务端找不到 messages，直接回 400：
{
"error": {
"code": 400,
"message": "Invalid request: missing field messages",
"type": "invalid_request_error"
}
}有的网关会直接点明字段不支持：
{
"error": {
"code": 400,
"message": "contents is not supported, please use messages",
"type": "invalid_request_error"
}
}反过来把 messages 发到原生端点，会拿到类似 Unknown name messages at contents 的字段校验报错。判断方法很直接：报错点名 messages，你打的是兼容端点；点名 contents 或 parts，你打的是原生端点。
OpenAI 兼容端点：
curl https://xyuapi.top/v1/chat/completions \
-H "Authorization: Bearer $XYUAI_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gemini-2.5-pro",
"messages": [
{"role": "system", "content": "只输出 JSON，不要解释。"},
{"role": "user", "content": "把这句话拆成 3 个关键词：AI API 接入平台怎么选"}
]
}'Gemini 原生端点：
curl "https://xyuai.cc/v1beta/models/gemini-2.5-pro:generateContent" \
-H "x-goog-api-key: $XYUAI_KEY" \
-H "Content-Type: application/json" \
-d '{
"system_instruction": {"parts": [{"text": "只输出 JSON，不要解释。"}]},
"contents": [
{"role": "user", "parts": [{"text": "把这句话拆成 3 个关键词：AI API 接入平台怎么选"}]}
]
}'如果网关要求用 Bearer 头，把 x-goog-api-key 换成 Authorization: Bearer $XYUAI_KEY 也能跑通，两条路密钥是同一个。客户端侧同理，Chatbox、Cherry Studio、NextChat、Cline 这类支持自定义 OpenAI 地址的工具，地址填兼容端点就能用全部模型。
import time
from openai import OpenAI
client = OpenAI(api_key="你的Key", base_url="https://xyuapi.top/v1")
PROMPT = "用 150 字说明按次计费和按量计费在长 prompt 批量任务上的成本差异。"
PRICE = {"gemini-2.5-pro": 0.031, "gpt-5.5": 0.2}
def run(model, n=3):
lat, chars = [], []
for _ in range(n):
t0 = time.perf_counter()
r = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": PROMPT}],
)
lat.append(time.perf_counter() - t0)
chars.append(len(r.choices[0].message.content))
avg_lat = sum(lat) / len(lat)
avg_chars = sum(chars) / len(chars)
print("%s: 平均耗时 %.2fs | 平均返回 %.0f 字符 | 每次 %.3f 元 | %d 次合计 %.3f 元"
% (model, avg_lat, avg_chars, PRICE[model], n, PRICE[model] * n))
if __name__ == "__main__":
run("gemini-2.5-pro")
run("gpt-5.5")跑完会看到两行数字。耗时差在两倍以内、价格差 6.4 倍，这类任务就没理由用贵的那档，除非中文语感明显不够。返回长度也要看：短了三成以上说明在偷工减料，长了五成以上说明在加解释文字，两头都要在 prompt 里收紧。想更严谨就把次数提到 20，记 p50 和 p95。
同一个 Key 在两家之间切，只改 model 参数，地址和密钥都不动。注意三件事：一是 token 计数口径不完全一致，做预算分别算；二是缓存和重试逻辑别硬绑某个端点；三是把模型名写进配置而不是写死进代码。
| 你的情况 | 选谁 | 为什么 |
|---|---|---|
| 一天几百次以上的批量任务 | gemini-2.5-pro | 0.031 元一次，输入不限长 |
| 读长文档、整仓库问答 | gemini-2.5-pro | 百万级上下文，十万次 3100 元 |
| 图片、扫描票据、视频 | gemini-2.5-pro | 多模态原生支持 |
| 中文对外文案 | gpt-5.4-pro-thinking | 0.15 元，语感更稳 |
| 写代码、改报错 | gpt-5.4-pro-thinking | 输出更接近能直接提交 |
| 推理、数学、复杂规划 | gpt-5.5 | 0.2 元，稳定性更好 |
| 先跑基线再决定 | gemini-3.1-pro-preview | 0.09 元，中间档 |
| 输出特别长、输入特别短 | gpt-6-astra | 按量计费更划算 |
真实项目里很少只用一个模型，更常见的是按层分工：便宜的做量，贵的做质。这样安排还附带一个好处：两家说法不一致时，正好说明这块值得人工看一眼。明天的动作：挑 50 条真实样本，用上面的脚本跑一轮，把通过率、平均耗时、总花费记成一张表，再决定主力模型。小鱼API（xyuai.cc）国内直连，按次计费为主，也提供按量计费，最低充值 7 元，支付宝微信都能付，同一个 Key 就能把两个系列全跑一遍。