2026 AI 模型怎麼挑？從每百萬 token 0.017 美元到 50 美元，六百倍價差教你重新看待性價比

同樣是叫 AI 幫你做事，同樣是每百萬個 token 的用量，帳單可以從 0.017 美元一路跳到 50 美元，差了大約六百倍。這個差距不是誰在坑人，而是模型本身的能力、速度與定價策略，本來就分佈在這麼寬的區間裡。多數企業在選模型時只問「哪一顆最強」，卻沒有回頭算自己每個月真正付了多少，選錯的代價通常不是在報價單上，而是在帳單來的那一天才發現。

這一系列要處理的，就是這件看起來很技術、實際上很財務的事：把市場上主要 AI 模型的價格與能力放在同一張表上，讓你能判斷什麼任務該交給哪個價位的模型。第一個要建立的概念是 token，它是模型計算用量的最小單位，中文大約一到兩個字算一個。模型讀你的問題要按 token 收費，寫出答案也要按 token 收費，而且兩邊單價不一樣。

六百倍價差是怎麼來的

先看兩個極端。截至 2026 年 10 月，最便宜的付費 API 是 IBM 的 Granite 4.0 Micro，每百萬個輸入 token 收 0.017 美元；最貴的一邊，OpenAI 的 GPT-6 Astra 與 Anthropic 的 Claude Fable 5.1，輸出價都來到每百萬 50 美元。也就是說，同一份工作如果交給最貴的模型做，成本會是最便宜那顆的將近六百倍。

這裡有一個很常被忽略的細節：輸入與輸出分開計價，而且輸出通常貴二到六倍。原因是模型讀你的問題時可以平行處理，一次把整段文字吞進去；但生成答案得一個字一個字往外吐，每吐一個字都要完整跑一次運算。以 Claude Sonnet 5.5 為例，輸入每百萬 2 美元，輸出卻要 10 美元，五倍。所以真正決定你帳單的，往往不是選了哪一家，而是你的任務是「讀得多」還是「寫得多」。

把市場上的模型按價格分成四段，會比較容易判斷。第一段是每百萬 0.017 到 0.15 美元，包含 Granite 4.0 Micro 與 DeepSeek V4-Flash，適合量大、格式固定、錯了很容易發現的簡單任務。第二段是 0.5 到 1 美元，Mistral Large 3 與 GPT-6 Luna 落在這裡。第三段是 2 到 5 美元，Claude Sonnet 5.5 與 GPT-5.6 Sol 屬於這一層，是目前多數企業的主力。第四段是 10 美元以上，GPT-6 Astra 與 Claude Fable 5.1 這種等級，通常只用在用量極小、但推理品質不能妥協的場合。企業日常用量，多半落在 0.15 到 2 美元之間。

價格戰讓地板又往下壓了一層

過去一個多月的變化特別快。OpenAI 在 2026 年 9 月 22 日把 GPT-6 Sol 與 Luna 兩顆降價五成，直接對上 Claude Opus 5.5 的價位；Meta 在 10 月 18 日發布 Muse Wonder，智能分數 56，價格還沒公布；DeepSeek 則在 10 月 17 日推出 V4.1 Flash 的 1017 版，品質分從 65 升到 68，價格維持在低檔。廠商互相殺價對使用者是好消息，但也意味著任何寫死在文章裡的價格表，保鮮期只有幾週。

所以看到價格數字時，第一件事是確認它的標註日期，第二件事是回官方定價頁核對。modelgrep 的模型價格比較與CostGoat 的 API 比較頁這兩個站會即時更新，是實務上最方便的查價入口。

智能分數是怎麼打出來的

談性價比，分母是價格，分子就是能力。問題是能力要怎麼變成一個數字。目前最常被引用的是 Artificial Analysis Intelligence Index，做法是第三方拿一套固定考題去考各家模型，再把數學、程式、推理、知識等不同題庫的成績標準化後加總。這樣不同廠牌的模型才能放在同一把尺上比較，而不是各說各話。

但這把尺本身會換。Artificial Analysis 在 2026 年 9 月 7 日改版到 v4.3，把其中一項評測從 Terminal-Bench 2.1 換成 4.0，也替換了部分題庫。改版之後，全體模型的分數一起往下掉。這代表如果你引用半年前文章裡的分數，等於拿舊考卷的成績去比新考卷，兩者根本不能放在一起看。

以 2026 年 10 月中的公開資料來說，GPT-5.6 Sol 拿到 58.9 分，Claude Opus 5.5 落在 57.6 到 58 之間，Meta 的 Muse Wonder Full 是 56 分。如果你在舊文章裡看到同一個模型被寫成 60 分以上，幾乎可以確定那是舊版考題的產物。

同一個模型，兩個網站寫的分數為什麼不一樣

以 Claude Opus 5.5 為例，光是 2026 年 10 月的公開資料，就出現 57.6 與 58 兩種寫法。這不代表誰寫錯，而是各家榜單在抓取時間、題庫版本與加權方式上各有做法。Artificial Analysis 是把各題庫標準化後加總，有的網站直接引用它的數字，有的則在自家頁面重新加權；至於 LMArena 是靠真人投票產生 Elo 分數，跟 Intelligence Index 完全是兩套邏輯，不能互換。

價格的算法也是變數，有的榜單把批次價、快取價都算進去，有的只算標準價，同一顆模型就會出現不同名次。開源模型也有類似情況，截至 2026 年 10 月，GLM-5.3 的 Intelligence Index 是 44.8，與旗艦閉源模型仍有明顯差距，但在推理深度要求不高的任務上，成本優勢相當大。

實務上的建議很簡單，引用分數時一定要標時間。寫「截至 2026 年 10 月，Claude Opus 5.5 約 57.6 到 58」會比寫死一個數字安全得多。要更新數字時，先到 Artificial Analysis 的 Index 說明頁確認版本號，再對照 benchlm 的排行榜看當日數字。分數只是入場券，真正的選擇還是要回到你的任務與帳單。

性價比冠軍為什麼有三個

如果你最近同時看過幾個評比網站，可能會覺得很混亂：同一個月、同一批模型，三個網站給你三個不同的性價比冠軍。這不是誰算錯，而是「性價比」本身沒有標準定義，每個網站決定的分子與分母不一樣，答案自然不同。

benchlm.ai 的算法是拿智能分數除以每百萬輸出 token 的價格。它的冠軍是阿里雲的 Qwen3.7 Flash，分數 46.93、輸出價每百萬 0.13 美元，換算下來每一美元可以買到約 361 分。這種算法忽略輸入價，對便宜的小模型天生有利，例如 Ministral 3 3B 分數 18.88、輸出價 0.10 美元，每一美元近 189 分，但這種分數的模型未必撐得住複雜任務。所以這份榜單適合當價格敏感度參考，不適合直接當採購清單。

CostGoat 的算法多了一道門檻：先把品質分不到可用水準的模型剔掉，再算每一美元能買到多少品質分。它的冠軍是 DeepSeek V4.1 Flash，品質分 68、輸出價每百萬 0.14 美元，價值分數 472.2。因為納入排名的模型品質分大多在 65 以上，這份榜單更貼近生產環境的實際選擇。它同時把批次價算進去，例如 GLM 5.3 Flash 標準輸出價 0.20 美元、價值分數 365，走批次降到 0.18 美元、價值分數升到 405.6。

benchlm 還有第三組算法，問的是另一個問題：如果只要求分數達到領先者的九成，最低要花多少錢。它先取最高分 58.9 乘以 0.9 得到約 53 分，再從不低於這個分數的模型裡挑輸出價最低的。答案落在 Claude Sonnet 5.5，輸出價每百萬 10 美元，大約只有最貴旗艦的五分之一。

放進真實負載，排名又會變

上面三組算法都只用輸出價當分母，但真實使用不會只有輸出。以 Grok 4.3 與 GPT-5.4-mini 為例，在輸入佔八成的負載下，兩者每百萬 token 的成本都是 1.50 美元，看起來打成平手；但負載換成輸出佔八成，一個變成 2.25 美元，另一個變成 3.75 美元，差了六成七。原因就是 GPT-5.4-mini 的輸出價是輸入價的六倍，而 Grok 4.3 只有兩倍。

所以真正屬於你的性價比，應該用混合費率去算：把輸入佔比乘以輸入價、輸出佔比乘以輸出價，兩者相加得到每百萬 token 的實際均價，再用分數除以這個均價。想知道自己該看哪一份榜單，先問你的任務是哪一種：跑批次分類、大量輸出的工作，輸出價就是主戰場，benchlm 的排序最貼近帳單；客服問答這種答錯要收拾的任務，品質門檻得先過，CostGoat 更接近現實。想自己動手更新也不必等別人做榜，打開任一個比較頁，把當日輸出價填進「分數除以輸出價」的公式就能算。

標價不等於帳單：混合費率與折扣的實際算法

官網上標的是兩個數字：輸入單價與輸出單價。但月底帳單不會分開跟你收，它會照你的使用比例混在一起算。把輸入佔比乘上輸入價、輸出佔比乘上輸出價，兩者相加就是混合費率，也就是你實際付的每百萬 token 均價。同一張價目表，換一種負載就換一張帳單。

以每百萬 token 計算，2026 年 10 月的實際數字大致是這樣。DeepSeek V4-Flash 在輸入為主的負載下約 0.17 美元，輸出為主約 0.25 美元，全區間都在兩毛上下。Grok 4.3 是 1.50 到 2.25 美元，GPT-5.4-mini 是 1.50 到 3.75 美元，Claude Sonnet 5.5 則是 3.60 到 8.40 美元。讀得多還是寫得多，同一顆模型的成本可以差到兩倍以上。

批次與快取，只便宜到輸入那一半

看到「省九成」這種說法，先問省的是哪一端。OpenAI 的批次 API 把全部費率打五折；Anthropic 的快取命中時，輸入價降到原本的十分之一，如果再用批次，兩者可疊加。這些機制的共同點是優惠幾乎都落在輸入端，輸出端通常只有批次五折，而且不是每一家都提供。

換句話說，大量摘要、分類這種讀多寫少的工作，快取能砍掉一大半成本；但寫稿、寫程式這種輸出為主的負載，快取幫不上忙，能動的只有換模型或走批次。建議先量一個月的輸入輸出比例，再決定要優化哪一端，免得省了對的地方、貴在沒看的地方。

台灣中小企業怎麼分流

台灣的中小企業最常問我們「哪個模型最強」。我們的答案通常是：這個問法本身就會讓帳單失控。真正要決定的是把客服、摘要、寫程式、跑報表這些任務，分別交給哪個價位的模型。入門與旗艦的價差將近六百倍，全部丟給最貴的那顆，等於用跑車送便當。

我們實際分流時會粗分三層。第一層是每百萬 0.15 美元級，用來處理客服罐頭回覆、信件分類、長文件摘要，這類工作量大、格式固定、錯了容易發現，DeepSeek V4.1 Flash 與 Mistral Small 4 就在這個區間。第二層是每百萬 2 美元級，負責報表解讀、程式碼補全、提案初稿，需要讀懂上下文，Claude Sonnet 5.5 與 Gemini 4 Argon 屬於這層，是多數客戶的甜蜜點。第三層是每百萬 10 美元級，用在合約條文比對、財報數字核對這種錯一次要收拾很久的工作，這裡不該省。

還有一個常被忽略的變數，是輸出比輸入貴二到六倍。所以要看的是任務吐出來的字多不多，而不是只看單價。

我們的做法是預設用便宜模型，卡關才升級。客服問答先交給 0.15 美元級，同時請它輸出一個信心分數，分數過低就自動轉到 2 美元級重跑。備援上至少綁兩家供應商，OpenAI 在 9 月 22 日把 GPT-6 Sol 與 Luna 降價五成之後，我們把部分任務搬回去，改的只是一個設定，不用重寫流程。

誠實說，分流不是萬靈丹。便宜模型答錯，往往兩三週後才被發現，收拾成本有時比省下的錢更高；規則訂得太細，沒有專職工程師的公司根本沒人維護。我們的建議是先挑一個量大、容錯高的任務試一個月，看帳單與錯誤率，再決定要不要往下分層。

常見問題

為什麼性價比排行榜，每個網站的第一名都不一樣？
因為每一家放的分子與分母不一樣。截至 2026 年 10 月，benchlm.ai 用「分數除以輸出價」，第一名是阿里的 Qwen3.7 Flash；CostGoat 用「品質分除以輸出價」，第一名換成 DeepSeek V4.1 Flash；benchlm 另一組算法改成「保留領先者九成分數裡面最便宜的」，榜首又變成 Claude Sonnet 5.5。所以性價比沒有唯一答案，要看你的用途偏輸入還是偏輸出、在意的是分數還是帳單。

標價便宜的模型，帳單就一定比較便宜嗎？
不一定，要看你實際的工作負載長什麼形狀。輸出價通常是輸入價的二到六倍，真正付的錢要用混合費率算。研究裡的例子是 Grok 4.3 跟 GPT-5.4-mini，在輸入為主的負載打成平手，都是每百萬 token 1.50 美元；換成輸出為主，一個變成 2.25 美元、另一個變成 3.75 美元。另外批次跟快取多半只優惠輸入端，那些標榜省九五成的說法，輸出為主的負載通常享受不到。

用量很大，自己租 GPU 來跑會比較便宜嗎？
在穩定用量夠高的情況下會，但不見得划算。自架每百萬 token 的成本，等於每小時叢集成本除以每秒能產出的 token 數。以 2026 年 10 月的租用行情看，H100 每小時約 2.64 美元，競價約 2.20 美元。交叉點落在哪裡，取決於你想取代哪一個 API，還有自架模型最小的可用叢集規模，兩者差距可以到兩個數量級，所以要先把數字算過再決定，不要只看 GPU 時薪就衝。

有任何問題或需要協助，歡迎聯絡我們：[email protected]