因为是和选择模型相关所以还是放在这个板块里了。 
刷到一篇近期斯坦福/伯克利/CMU/微软研究院的研究，其中测试了8种推理模型在9个任务上的表现，结果是在大约22%的模型对的比较里，标价低的模型实际使用成本更高。比如Gemini 3 flash标价比GPT 5.2便宜78%，但它的实际使用成本却高出22%。 
 [image] 
论文里分析的是单轮对话使用成本，这里会出现价格反转的原因是不同模型做推理消耗的token数不同，看起来便宜的模型有时候可能会消耗更多token做推理，这完全是隐藏消耗。甚至论文里还发现有些模型用同一个prompt多次发出请求，推理token的消耗可能相差9.7倍，所以实际的开销只靠一次测试也很难估计。 
其实论文有一些其他视角没有提到，就是单价便宜的模型可能因为太笨，反而需要更多的对话轮数才能干活，但是单价贵的强模型可能一轮就能完事。多轮对话里每一轮的请求都会带上...