AA图表估算GPT模型与effort性价比

背景

随着大语言模型（LLM）生态的快速演进，用户面临越来越多模型和参数配置的选择。如何在不大量消耗预算的情况下，选择性价比最高的推理方案，成为高频使用者的刚需。artificial analysis（AA）是一个定期发布模型评测数据的平台，其榜单涵盖多种模型在不同 effort 等级下的表现。本文基于 AA 的公开图表，对 GPT 系列及近期热门模型的性价比进行估算与对比，为 Plus 用户（ChatGPT Plus 订阅者）提供实用参考。

核心内容

作者首先对 AA 榜单的可信度做了免责说明：榜单测试项目全面，但作者自身的 Plus 配额已耗尽，无法自行验证，因此仅基于图表数据展开分析。需要特别说明的是，模型中的 Ultra 等级（类似于 claude code 中的 ultra code workflow）并未出现在 AA 的测试榜单中，榜单最高只测到 max 等级。

作者筛选了一批近期热门模型作为对比基准，包括：GLM-5.2、Grok 4.5、Opus 4.8、Fable 5、Opus 4.6、DeepSeek V4 Pro、GPT 5.5 等。

价格维度

第一张图仅展示完成单个任务所需的绝对价格，参考意义有限。数据显示 Luna max、Grok 4.5 和 Sol medium 的价格接近。

第二张图更具参考价值：越靠近左上角绿色区域的模型性价比越高。图中存在一个密集区域，其中 Grok 4.5 和 Sol medium 几乎重叠，性价比表现突出。相比之下，Terra xhigh 和 GLM 5.2 价格更高但得分更低，性价比不如前两者。此外，Terra max 的价格高于 Sol high，但效果却不及后者。

第三张图展示了跑完整个测试所需的总花费与最终得分。Grok 4.5 和 Sol medium 在此维度上同样表现良好。值得注意的是，Luna max 花费了与 5.5 medium 相同的总价格，但得分更高，显示出更强的性价比。

速度维度

仅看输出速度，Luna max 拿下最快成绩——因为它是最小的模型。作者对 GLM-5.2 的速度之快表示惊讶。如果结合表现效果综合考量，Terra xhigh 速度表现不错；但在同等分数的情况下，Luna max 花费的时间优于 Terra xhigh。

模型选型建议（太长不看版）

作者个人总结了一套常用切换方案（因使用 Plus，Pro 20x/5x 额度较多，可向上加码）：

• 小任务：Luna，Max effort
• 中等任务：Terra，Xhigh（强调：打死不用 Terra 的 Max Effort）
• 复杂任务：Sol，Medium 或 High

关键要点

• AA 榜单最高测试到 max 等级，Ultra 等级未被纳入，因此结论不覆盖 Ultra 配置。
• 性价比最高的组合集中在 Sol medium 和 Grok 4.5，两者价格接近且得分优异。
• Luna max 是轻量任务的最佳选择：速度最快，且与 5.5 medium 同价但效果更好。
• Terra 系列中 Xhigh 是合理选择，但 Max Effort 性价比极差——价格高于 Sol high 却效果不及。
• GLM-5.2 和 Terra xhigh 定价偏高，同等价位下不如 Sol 或 Grok 系列有竞争力。
• Sol 系列适合复杂任务：medium/high 等级既能提供充足能力，又不至于过度耗费预算。

意义与影响

该分析为 LLM 重度用户（尤其是 ChatGPT Plus 订阅者）提供了一套可实操的模型+effort 组合策略，避免因盲目选用 max 等级而浪费大量 token 额度。更重要的是，它揭示了 “高 effort 并不等价于高性价比” 这一关键观察——例如 Terra max 的效果不及 Sol high 但价格更高，这在商用场景中直接影响 ROI。同时，小型模型（如 Luna）在简化任务中能以极低成本提供足够的表现，颠覆了“越大越好”的惯性认知。对于关注模型部署成本的开发者或企业来说，这类基于真实榜单的量化对比有助于更理性地分配推理预算。