如何选择 AI 模型：上下文、输出、速度、价格

一个包含四十个名称的模型列表，一句描述的任务，两者之间没有明显联系。简短的回答是：按顺序检查四个数字。上下文窗口和最大输出决定模型能否完成你的任务。速度和价格决定它有多好用、多贵。上下文、输出限制和价格列在模型页面和价格表中；速度需要你自己花大约一分钟测量，脚本在下面。

用大白话解释这四个数字#

把模型想象成坐在桌前的同事。上下文窗口是桌子的尺寸：所有必须同时摆在他们面前的东西。最大输出是他们一次能说多久。速度是他们开始回答的速度。价格是他们的时薪。四个术语，你会在每份 API 文档中遇到它们：

具体来说，以下是 CheapTokens 目录中三个模型的前两个数字，来自 CheapTokens 模型参考（2026 年 10 月 27 日）：GLM-5.3-Flash 有 390K 上下文，最多回答 8,192 个 token；DeepSeek-V4-Flash（0731 版本）有 380K，最多回答 32,768 个 token；MiniMax-M2.7 有 180K，最多回答 8,192 个 token。

上下文：你发送的所有内容能装下吗？#

假设你的编程助手打开 12 个文件，每个约 3,000 个 token，然后加上你的问题和它自己的笔记。12 × 3,000 = 36,000 个 token。即使上面最小的窗口 180K，也能轻松容纳。单个巨大文件或整个仓库转储才是窗口开始变得重要的地方。

聊天和智能体更棘手，因为 API 在每次调用时重新发送整个历史记录。假设一个智能体运行 20 步，每一步增加约 2,000 个 token 的工具输出和回复（本示例的假设）。第 1 步发送 2,000 个 token，第 2 步发送 4,000 个，第 20 步发送 40,000 个。整个运行过程中发送 2,000 × 210 = 420,000 个 token，其中 210 是 1 + 2 + … + 20。

这里隐藏着两个不同的问题。上下文窗口只关心最大的单次请求：第 20 步的 40,000 个 token，目录中的每个模型都能轻松容纳。账单关心的是总量，420,000 个 token。把两者都记在心里，你就不会因为错误的原因选择模型。

输出长度：截断回答的限制#

输出限制是单次回复的上限，很容易忘记，直到回答在句子中间停止。英语的经验法则：一个 token 大约是四分之三个单词。你要求一份 6000 字的报告：6000 / 0.75 = 8000 个 token。这刚好在 8,192 以下。要求 7,000 字，文本就会在段落中间结束。

在 32,768 个 token 的上限下，同样的计算得出单次回答最多 24576 字（32768 × 0.75 = 24576），因此生成的代码、长报告和整章草稿都能放在单次回复中。当回复确实被截断时，API 会告诉你：finish_reason 会返回为 length（为什么会发生以及如何修复）。

速度：你自己测量的那个数字#

速度实际上是两个数字：第一段文本出现需要多长时间，以及其余内容流式传输得多快。两者都会随负载、提示长度和一天中的时间而变化，所以从表格中复制的数字参考价值不大。在你自己的提示上测量。这需要一分钟，消耗少量 token（密钥来自环境变量；创建方法见文档）：

import os, time
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

start = time.perf_counter()
first = None
stream = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": "Explain what a token is in 3 sentences."}],
    stream=True,
)
for chunk in stream:
    if first is None and chunk.choices and chunk.choices[0].delta.content:
        first = time.perf_counter() - start
total = time.perf_counter() - start
print(f"first text after {first:.1f}s, finished after {total:.1f}s")

你会得到一行：first text after <N>s, finished after <M>s。将模型 id 替换为 zai-org/GLM-5.3-Flash 或 MiniMaxAI/MiniMax-M2.7，各运行几次，你就有了针对自己提示的速度对比。这重要吗？对于实时聊天，重要：人们会注意到第一个词之前的停顿。对于夜间批量摘要，没人在看，速度就降到你列表的底部。

价格：把输入和输出加在一起#

价格按每百万 token 报价，但你按请求付费，而请求既有输入侧也有输出侧。所以要在工作负载上比较模型，而不是比较两列数字。假设你的支持机器人每天处理 1,000 张工单，每张约 300 个 token 输入、150 个输出（假设；请替换为你自己的数字）。表格是实时的，会根据当前价格重新计算：

看总计，而不是各列。总计中，输入和输出加在一起，这三个模型每个都比该表 OpenRouter 列中 OpenRouter 的参考价格便宜。

这就是智能体咬人的地方。上下文部分中的 20 步运行发送 420,000 个 token 输入，写出大约 4,000 个输出（每步 200 个，同样是假设）。在 DeepSeek-V4-Flash 上，这样一次运行花费 $0.0067。一天五次？移动滑块，观察三个模型：

模型价格在一天中的任何时间都保持不变，所以你现在做的计算对晚上的批处理也适用。关于为什么输出 token 通常比输入贵的复习，请参阅输入和输出 token。

按任务选择模型#

从任务出发，找到最关键的的数字，然后再检查其他三个。点击你自己的情况：

没有哪个模型在每一行都胜出，这就是为什么在决定之前，用同样的十个真实提示跑两个候选模型会有帮助。GLM vs DeepSeek vs MiniMax 对比更深入地介绍这三个模型，价格页面始终显示当前数字。