Tessl 实测：Gemini 账单为何与模型命名不符

为什么你的 Gemini 账单与模型名称对不上

tl;dr - 在大约 3,300 次配对的技能评估运行中，Gemini 3.5 Flash 每项任务花费 1.05 美元，而 Gemini 3.1 Pro 为 0.66 美元，但两者的得分实际上几乎相同：88.6 对 87.9。

当你查看实际任务成本时，定价显得更加奇怪。Gemini 3.5 Flash 和 Gemini 4.5 Flash 的每任务成本相差近 8 倍，而 Gemini 3.1 Pro 比两者都更便宜。账单似乎并不遵循命名层级。

这些数字从何而来？

该基准测试将每项任务运行两次，一次应用相关技能，一次不应用，涵盖 OpenHands 中的四个 Gemini 模型，每个模型总计约 800 项任务。我们没有依赖仪表盘估算，而是直接从 agent 会话日志中提取每次调用的 token 数量，并使用 Google 公布的每 token 价格计算成本。然后我们比较了各模型由此得出的每任务成本。

核心数据

从这些数据中可以明显看出几点。

• 成本顺序与名称顺序不相关。Gemini 3.1 Pro 的每任务成本比 Gemini 3.5 Flash 更低，尽管其每 token 标价更高；而同属一个产品系列的 Gemini 4.5 Flash 和 Gemini 4.5 Flash-Lite，实际支出却差异巨大。模型名称描述的是预期定位，但它们并不能很好地指导现实世界中的 agent 成本。
• 得分确实随着每一代模型而提高，这是一个真正的积极趋势，也是跟踪发布的充分理由，但能力提升并不会自动转化为成本降低。
• 最后，实用价值之选是 Gemini 3 Flash Preview，它与领先模型的得分差距在三分以内，而每任务成本约为后者的五分之一，使其成为可接受 85 分左右得分的工作负载中最具效率的选择。

为什么用量胜过单价

agent 任务成本是两个变量的乘积：

Task cost = price-per-token × tokens the model decides to spend

模型名称确定了第一个变量。第二个变量由模型在特定任务上的运行时行为决定，只有在你阅读会话日志后才会显现。

对于 Gemini 3.5 Flash，每任务成本细分如下：

• 非缓存输入：$0.72
• 缓存读取输入：$0.14
• 输出（包括思考）：$0.19

主要驱动因素是输入量。Gemini 3.5 Flash 每项任务在 39 个 agent 轮次中发送了 141 万个 token 的上下文。Pro 在 26 个轮次中发送了大约一半的量，即使其每百万 token 标价更高，为 2.00 美元，其较低的用量也带来了更低的总账单。

一个每 token 费率更低但需要更多轮次才能得出答案的模型，会侵蚀自身的折扣。还值得注意的是，这些运行中 63-75% 的输入是缓存读取，这意味着对轮次数的实际敏感度甚至比原始标价所显示的更高：乘数正在你的会话日志中累积，而不是在你的定价页面上。

技能按层级影响成本

在每次运行中添加相关技能，会根据运行它的模型不同，使每任务成本朝相反方向变化：

• Pro 的每任务成本下降了 $0.20（-23%），而得分提高了 20 分。该模型使用的轮次更少，探索性回溯也更少，这表明它能够直接依据结构化指导采取行动，而不是通过迭代来发现解决路径。
• 3.5 Flash 基本持平，成本在两个方向上的变化都不到 $0.03。
• 3 Flash Preview 和 Flash Lite 各自消耗了略多的 token，换来了微小的得分提升（分别为 +$0.03 和 +$0.01）。

底层规律是一致的：对于能够精确遵循结构化指导的模型，技能会压缩其解决路径，减少轮次，从而降低总成本。而对于仍在通过探索来消解歧义的模型，同样的技能只是为处理过程增加了上下文，而非提供一条可直接应用的捷径，成本保持稳定或略有上升。技能对能力强的模型是捷径，对能力弱的模型则是负担。

从实际角度来看，这产生了两个清晰的运营选择点。配备相关技能的 Pro 每任务 $0.66，是通往顶级性能最具成本效益的路径。配备技能的 Gemini 3 Flash Preview 每任务 $0.135，其每美元得分约为两个领先者中任一方的五倍，而得分仅低三分，这对许多工作负载而言是合理的取舍。

测量，而非假设

从这些数据中得出的四条结论，其适用范围超出了这个特定基准：

1/ 不要依据价目表做预算。 应根据在你特定任务、特定提示词、特定智能体框架下实测的 token 和轮次，来核算你的工作负载成本。每 token 的标价是筛选候选模型的有用初筛条件，但并非相对支出的可靠预测指标。

2/ 在会话层面读取成本。 聚合仪表盘可能显示 $0，而支出却在后台不断累积。用于预算目的时，token 用量必须来自原始 API 响应或智能体会话日志才可信。

3/ 首先关注轮次。 3.5 Flash 与 Pro 之间 39 对 26 的轮次差距，是此处观察到的价格倒挂的主要原因，而轮次是观测工具中最常缺失的变量。它是成本方程中其他一切因素的乘数。

4/ 模型更新时重新测量。 Gemini 3.5 Flash 是比 Gemini 3 Flash Preview 更新的版本，得分也更高，但在这个智能体场景中成本大约高出八倍。能力提升与成本改善是相互独立的变量，任何成本基准都需要随每次版本更新重新运行，而不能假定其保持不变。

注意事项

这些结果来自单一智能体框架（OpenHands）、单一基准（带有明确的技能相关性披露）以及特定的样本窗口。不同的任务、提示词结构和轮次长度模式会改变绝对数值，也可能改变相对排名。需要传承下去的发现不是某个具体的模型推荐，而是一种方法论：在智能体场景中，成本排名无法仅从每 token 费率推导出来，适用于你的工作负载的排名取决于该工作负载的具体行为特征。

模型名称是一个定价层级，而非成本预测。在智能体工作流中，决定性变量是模型为得出答案而选择消耗多少 token，这个数字只有在你运行工作并读取日志之后才可见。价目表只提供了两个输入中的一个；只有测量才能让你同时获得两者。

下一篇：哪些技能真正值得消耗 token？在这些运行中，42% 带来了显著的性能提升，而 5% 则是净开销。我们将在下一篇文章中继续分析。