同一份需求问十个人，九个会说「看场景」。这话没错但没法执行。版本号摆在眼前，选择就是三条线：claude-sonnet-4-5-thinking 0.09 元/次打底，claude-opus-4-5-thinking 0.12 元/次当主力，gpt-5.5 0.2 元/次留给需要连续多步推理的硬任务。claude-opus-4-7-thinking 的 0.25 和 gpt-5.3-pro 的 0.3 不是不能用，是先拿便宜的跑出基线，顶不住了再往上加钱。中间那档 gpt-5.4-pro-thinking 0.15 元/次常被忽略，既要长上下文又要推理链的任务，拿它起步比直接跳到 0.2 省四分之一。
一天几十次调用的量，写表单校验、拼 SQL、调 CSS 断点，0.09 元/次完全够用。它翻车的场景很集中：一次要同时满足五条以上约束的任务，比如既要兼容旧接口的字段命名，又要顺手补单测。这种活拆成两轮问，它反而稳得多。
和上一档只差三分钱，换回来的是跨文件改动时更少的漏改引用。在 Cline 或 RooCode 里跑一个完整功能，让它连着改十几个文件，4-5 交出来的 diff 通常更干净，收尾少一半手动纠正。整条梯度里它的性价比最突出，也是我默认挂在客户端的那个。
0.2 元/次。判断标准就一条：这题需要连续排除错误的解法分支，或者要在几个互相冲突的约束之间做取舍，切它。纯写业务代码的活不必多花这 8 分钱差价。
claude-opus-4-7-thinking 0.25 元/次是给 4-5 反复跑不通的场合准备的：上下文塞到极长、输出格式还必须严格、一轮里要动的模块超过二十个。gpt-5.3-pro 0.3 元/次同理，给 gpt-5.5 也想不明白的题兜底。
单文件改动两家都能交付，跨文件重构的差距才出来。不在于谁写得更漂亮，在于谁改完之后项目还能直接跑起来。
建一个 30 个文件左右的小仓库，挑一个真实需求，比如把订单模块的金额字段从 float 换成 Decimal。给两个模型完全一样的提示词和文件范围，各跑 10 轮，每轮记三件事：测试是否一次通过、漏改了哪几个引用、你手动补了几处。把人工补的处数一平均，谁的成本高一目了然。
改一个工具函数、补一个边界判断、加一个 loading 态，claude-opus-4-5-thinking 和 gpt-5.5 都是 1 次过。这种任务上纠结选哪个纯属浪费时间，用 0.09 的 claude-sonnet-4-5-thinking 更省。
gpt-5.5 的思路偏向把当前这个文件写对，跨文件的连带影响更依赖你明确列出来；claude-opus-4-5-thinking 会先扫一遍上下文里的命名和调用习惯再动手，所以改名类、换类型类重构里它漏的引用更少。不是能力高低，是行为习惯不同。你该怎么做：动手前把调用方文件一起塞进上下文，别只贴被改的那一个；提示词里写死「先列出受影响的引用文件再改」；收尾要一份改动清单，没提到的文件自己再 grep 一遍旧字段名。
把一份 10 万字的技术文档丢进去问细节，gpt-5.5 的定位精度更稳，claude-opus-4-5-thinking 更适合做整体梳理。
找一份真文档，手工插入 20 个猜不到的数字，比如「批次号 7741」「阈值 0.037」。每次只问一个细节，跑 20 轮，记录三个指标：答对几个、答错几个、该说「文档里没写」的时候有没有老实承认。第三个指标最关键。编一个出来会直接毁掉整条自动化流程。
上下文塞满之后，gpt-5.5 更容易在答不出来时说找不到，claude-opus-4-5-thinking 倾向拿语义上接近的段落给你一个「听起来对」的答案。做合同条款抽取、日志定位、配置项核对这类活，宁可要前者。
先把 PDF 转成纯文本或 Markdown 再喂，跳过表格和扫描页；把文档按章节切片，每次只喂相关那一章，加一句全局摘要。10 万字一次性塞进去，谁的错误率都会涨。整本手册一次过，用 gpt-5.4-pro-thinking 0.15 元/次更稳。
这是最费钱的场景，也是最能看出差别的场景。跑偏不是一下就偏的，是第五六个文件开始悄悄偏的。
重复创建已经存在的工具函数；把三个文件里的同一个常量各写一套；改到一半开始重命名你没提过的变量；diff 里混进大段格式变动，把真正的逻辑改动埋掉。出现任意一条，立刻打断，改成「先只列改动计划，不要写代码」再放它走。
同等提示词下，claude-opus-4-5-thinking 的 diff 通常更小更聚焦；gpt-5.5 偶尔顺手重构它觉得不顺眼的地方，不一定错，但 review 成本上去了。跨文件长任务我默认用 0.12 那一档。一轮超过二十个文件、还要保持格式严格，再考虑 0.25 的 claude-opus-4-7-thinking。
最大输出设够，别让它在半路被截断——截断后的续写最容易跑偏；关掉自动执行终端命令，或者只放开只读命令；单次任务的上下文预算控制在刚好装下目标文件的量，别把整个仓库塞进去。这三项任何一项没弄对，换成 0.25 的模型也一样跑偏。
thinking 不是免费的能力加成。它换的是正确率，付出的是延迟和费用。
| 任务类型 | 开不开 thinking | 代价 |
|---|---|---|
| 算法实现、多步规划 | 开 | 首字延迟变高 |
| 跨文件重构、方案取舍 | 开 | 输出 token 变长 |
| JSON 结构提取、字段映射 | 关 | 开了容易把结构想坏 |
| 翻译、改写、代码格式化 | 关 | 纯加延迟没有收益 |
| 高并发线上接口 | 关 | 延迟翻倍，体验崩 |
算法实现、多步规划、跨文件重构、方案取舍、线上疑难 bug 定位，这些都值得开。这题存不存在「另一条也能走通的路」，存在就开。
JSON 结构提取、字段映射、翻译、文本分类、代码格式化。这类任务想多了反而把结构想坏，延迟还翻倍。
开 thinking 后输出 token 会明显变长。按量计费的模型，账单会跟着涨。小鱼API 按次计费，一次请求固定价，开不开 thinking 单价一样，真正的代价只有响应时间。选 claude-opus-4-5-thinking 这种带 thinking 的版本，就得接受首字慢一点。
写中文技术文档，claude-opus-4-5-thinking 更有人味，句子长短有变化，不堆排比；gpt-5.5 的中文偏翻译腔，四平八稳但读起来像机器写的。这个差别在对外内容上看得见。
写 README、接口说明、排错手册，claude-opus-4-5-thinking 出的稿子改动量通常更小。让它按「背景-现象-原因-解决」四段式写报错文档，结构自动收得住。要写带公式推导的算法说明，换成 gpt-5.5，它对推导步骤的耐心更长。
别用一句模糊要求让它反复改。直接要求「出三版，分别偏口语、偏专业、偏简短」，你挑一版再润。比来回拉扯五轮快得多。按次计费，出三版和出一版的单价一样。
写清「本项目里『渠道』指上游供应商，不要翻译成 channel」。这一步能砍掉大半术语不一致的返工，两家模型都受益。
同一件事的价差不是几毛钱，是直接翻倍。
| 模型 | 单价（元/次） | 跑 1000 次 | 适合的任务 |
|---|---|---|---|
| claude-sonnet-4-5-thinking | 0.09 | 90 元 | 表单、脚本、批量改写 |
| claude-opus-4-5-thinking | 0.12 | 120 元 | 写代码、agent 多文件改动 |
| gpt-5.4-pro-thinking | 0.15 | 150 元 | 长上下文加推理链 |
| gpt-5.5 | 0.2 | 200 元 | 算法、多步规划 |
| claude-opus-4-7-thinking | 0.25 | 250 元 | 极长上下文、4-5 顶不住时 |
| gpt-5.3-pro | 0.3 | 300 元 | 硬推理兜底 |
claude-opus-4-5-thinking 跑 1000 次是 120 元，gpt-5.5 是 200 元，claude-opus-4-7-thinking 是 250 元。跑 5 万次的批量任务，120 元和 250 元之间差 6500 元。
小鱼API 按次计费，一次请求一个固定价，输入多长都是这个数。举个例子：给 claude-opus-4-5-thinking 塞 3 万 token 的代码上下文，价格还是 0.12 元。按 token 计费的平台，同样 3 万 token 的输入，光输入侧就要单独掏一笔，任务越重差得越多。短问答这类轻量任务，按次计费没有便宜可占，直接选 0.09 那一档。
| 你遇到的场景 | 先用这一档 | 顶不住了再上 |
|---|---|---|
| 单人写脚本、改样式 | claude-sonnet-4-5-thinking | claude-opus-4-5-thinking |
| 团队仓库跨文件重构 | claude-opus-4-5-thinking | claude-opus-4-7-thinking |
| 超长文档定位问答 | gpt-5.4-pro-thinking | gpt-5.5 |
| 算法题、方案规划 | gpt-5.5 | gpt-5.3-pro |
降级和升级都按同一批测试用例重跑一遍来判断。原来 10 条用例对 6 条，换档后对 9 条，这 3 分钱值得花；还是对 6 条，换回来。
claude-sonnet-4-5-thinking 或 claude-opus-4-5-thinking 做基线，跑不通再换档，别反向操作。别人给的结论只是起点，你的任务里长 prompt 多还是短问答多，跑一遍才知道。
# ab_compare.py 同一个 prompt 分别打两个模型，记录耗时和用量
import os, time, json
from openai import OpenAI
client = OpenAI(
api_key=os.environ["XYUAI_KEY"],
base_url="https://xyuapi.top/v1", # 备用入口 https://xyuai.cc/v1
)
PROMPT = (
"用 Python 写一个带指数退避的 HTTP 重试装饰器，"
"支持指定最大重试次数，只对 5xx 和超时重试，"
"失败超过上限时抛出原始异常。"
)
MODELS = ["claude-opus-4-5-thinking", "gpt-5.5"]
def run(model):
t0 = time.perf_counter()
resp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": PROMPT}],
temperature=0, # 对比场景固定 0，减少随机性
)
seconds = round(time.perf_counter() - t0, 2)
u = resp.usage
return {
"model": model,
"耗时秒": seconds,
"输入token": u.prompt_tokens,
"输出token": u.completion_tokens,
"首行": resp.choices[0].message.content.strip().splitlines()[0][:40],
}
if __name__ == "__main__":
for m in MODELS:
print(json.dumps(run(m), ensure_ascii=False))把 XYUAI_KEY 设成你在小鱼API 申请到的令牌，pip install openai 后直接跑 python ab_compare.py。同一个 prompt、temperature=0，每个模型跑 10 轮再取耗时中位数，只跑一次容易被网络抖动骗到。
{
"provider": "openai-compatible",
"baseURL": "https://xyuapi.top/v1",
"apiKey": "sk-你自己的令牌",
"models": [
{ "id": "claude-opus-4-5-thinking", "label": "主力·写代码改多文件" },
{ "id": "claude-sonnet-4-5-thinking", "label": "省钱·表单脚本批量活" },
{ "id": "gpt-5.5", "label": "推理·算法与多步规划" }
],
"timeout": 120,
"maxRetries": 2
}Chatbox、Cherry Studio、Cline、RooCode 里填法一致：供应商选自定义 OpenAI 兼容，地址填 https://xyuapi.top/v1，令牌填你自己的，模型名照上面的 id 手填。填完点测试，能拉出模型列表就通了，拉不出来先看地址末尾有没有多余斜杠。
# 量延迟别只看一次：连跑 5 次取中位数
for i in 1 2 3 4 5; do
curl -s -o /dev/null -w "%{time_total}s\n" \
-X POST https://xyuapi.top/v1/chat/completions \
-H "Authorization: Bearer $XYUAI_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"claude-opus-4-5-thinking","stream":false,"messages":[{"role":"user","content":"写一个二分查找"}]}'
done耗时看中位数，别看平均值。用量看输出 token 有没有异常膨胀，膨胀往往意味着它开始啰嗦，不是答案变好。再手工记一个返工次数，也就是为了让代码真正跑起来你又补了几轮。返工次数乘上你的时间成本，通常比模型单价那点差价贵得多。
调到新版本号最容易踩的两个坑，5 分钟能定位。
报错原文长这样：{"error":{"message":"The model claude-opus-4-6 does not exist"}}。多半是版本号写残了，把 claude-opus-4-5-thinking 写成 claude-opus-4-5，少了 -thinking 后缀。去掉请求里的 /chat/completions，直接访问 https://xyuapi.top/v1/models，把返回列表和你的配置逐字对一遍。
429 rate limit exceeded 先降并发，把 20 改成 5 再跑，通常就好了，还不行再加额度。read timeout 一般是最大输出设太大或任务太长，把 timeout 提到 120 秒以上，并把大任务拆成两段。这两个报错换模型都不解决，把 0.12 换成 0.25 只是多花钱，问题还在原地。