最便宜的 AI 智能体 LLM：30 个模型按每次运行成本排名

排除下面 D 级的模型，能运行工具调用 agent 的最便宜模型现在是 Claude Haiku 5.5，价格为每 1M tokens 输入 $0.10 / 输出 $0.50，或参考的 12 步运行 $0.0185；GPT-6 Luna 成本相同。本次运行中最大的调用是 23,800 个 token，远低于 Haiku 5.5 按 $0.50 / $2.50 计费的 100,000-token 分界点。DeepSeek V4.1 Flash 非高峰时段成本为 $0.027（$0.15 / $0.60）；在 DeepSeek 的高峰时段成本为 $0.30 / $1.20，即 $0.054，而 GPT-5.4 nano（$0.038）更便宜。V4.1 Flash 取代了 DeepSeek 已下线的 V4 Flash；其 API 名称为 deepseek-flash。我们会在生产环境中无人值守运行的最便宜模型是 Gemini 3.8 Flash（$0.75 / $3.75）或 GPT-5.4 mini（$0.75 / $4.50），每次运行约 $0.14。最便宜的旗舰级模型是 Claude Sonnet 5（$2 / $10），为 $0.37。价格以 USD 计，为我们目录中截至 2026-09-11 的每 1M tokens 价格；Claude Haiku 5.5 于 2026-11-03 在 Anthropic 的定价页面核对。DeepSeek 定价于 2026-10-27 在 api-docs.deepseek.com 核对；非高峰时段是高峰费率的一半（高峰时段为工作日 UTC 01:00 至 04:00 和 06:00 至 10:00）。

参考运行：每一步都发送 4,000-token 的系统提示词加工具定义，每一步后追加 1,500-token 的工具结果，每一步 300 个输出 token，共 12 步。由于每一步都会重新发送完整历史，第 k 步的上下文为 4,000 + (k - 1) × 1,800 个 token，整个运行合计：

• 输入 token = 12 × 4,000 + 1,800 × 12 × 11 ÷ 2 = 48,000 + 118,800 = 166,800
• 输出 token = 12 × 300 = 3,600
• 运行成本 = 166,800 × (输入费率 ÷ 1,000,000) + 3,600 × (输出费率 ÷ 1,000,000)

对于 Claude Sonnet 5：$0.3336 + $0.036 = $0.3696。在每个模型上，输入都占整个运行的 90% 或更多，因此排名跟随输入价格。N 步的通用公式见“运行一个 AI agent 需要多少成本”。

未应用缓存或批量折扣。将最后一列乘以 1,000，即可得到 1,000 次运行的月度预算。Claude Haiku 5.5（发布于 7 October 2026）取代了旧版 Claude Haiku 4.5，后者仍为 $1 / $5，即每次运行 $0.1848，是前者的十倍。

从第 1 名到第 29 名的差距为 83×。提示词缓存会缩小差距但不会改变排序：在 Anthropic 和 OpenAI 上缓存读取约为标价的 10%，在 Gemini 上约为 25%，Sonnet 5 降至每次运行约 $0.12，Gemini 3.8 Flash 降至约 $0.06。实时数据行在模型页面。

价格只是容易的那一半。agent 模型必须发出符合 schema 的工具调用、选对工具、完成后停止，并且不能循环。下面的分级是我们对各模型在生产循环中需要多少脚手架支持的编辑解读，不是基准测试；在投入前，请在你自己的 schema 上运行你自己的评估。

• A 级：在正常校验下无人值守运行：Claude Opus 5、GPT-5.5、GPT-5.4、Gemini 3.1 Pro、Claude Sonnet 5。schema 遵循一致、停止行为良好、浪费的步骤最少。
• B 级：在严格 schema 下无人值守运行：Claude Haiku 4.5（现为旧版）、GPT-5.4 mini、Gemini 3.8 Flash、GPT-5.3-Codex 和 Devstral 2（编码循环）、DeepSeek V4 Pro、Kimi K2.6、Qwen 3.8 Max、Grok 4.6、Mistral Large 3。
• C 级：在校验、重试和升级路径下运行：GPT-5.4 nano、Gemini 3.5 Flash Lite、DeepSeek V4.1 Flash、GLM 4.7、MiniMax M2.7、Qwen3 Coder 480B、Llama 4 Maverick、Codestral 2508、Mistral Medium 3.1。预计会出现参数格式错误、大型工具集上选错工具，以及开放式任务中步骤数失控。
• D 级：不作为规划器：Llama 4 Scout、GLM 4.7 Flash、GPT-4.1 mini（上一代）。适合在由其他人驱动的循环内做单次分类。

仍能可靠做到这一点的最便宜模型是 Gemini 3.8 Flash 或 GPT-5.4 mini，每次运行约 $0.14。在 Anthropic 上，Claude Haiku 5.5 的 $0.0185 现在是旧版 Haiku 4.5 的 $0.185 的十分之一；在它赢得某个分级之前，把它作为校验器后面的首次尝试来运行。每次运行低于 $0.10，你买到的就是一个需要监督者的模型，而监督者的成本应计入你的每任务数字。

单次任务成本的最优解几乎从来不是单一模型。它通常由一个作为首次尝试的 C 级或 B 级模型、一个检查工具调用和最终结果的验证器，以及一个仅在廉价尝试失败时才接管的 A 级模型组成。通过 OpenRouter 调用的一个兼容 OpenAI 的客户端可将该阶梯策略简化为模型名称列表（有关路由差价详情，请参阅我们的 OpenRouter 与直连 API 对比文章）。

from openai import OpenAI
client = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=KEY)

LADDER = [  # (model, $ in per 1M, $ out per 1M)
    ("deepseek/deepseek-v4.1-flash", 0.30, 1.20),   # peak rate
    ("google/gemini-3.8-flash", 0.75, 3.75),
    ("anthropic/claude-sonnet-5", 2.0, 10.0),
]

def run_task(task, max_steps=12, budget_usd=0.60):
    spent = 0.0
    for model, p_in, p_out in LADDER:
        history = [{"role": "user", "content": task}]
        for _ in range(max_steps):
            r = client.chat.completions.create(model=model, messages=history,
                                               tools=TOOLS, max_tokens=2000)
            u = r.usage
            spent += (u.prompt_tokens * p_in + u.completion_tokens * p_out) / 1e6
            if spent > budget_usd:
                return None, spent                # hard cap: give up
            ok, done = apply_tool_calls(r, history)   # validate + execute
            if not ok:
                break                             # schema/tool failure: escalate
            if done and validate_result(history):
                return history[-1], spent         # success on this rung
    return None, spent

validate_result 必须是一个低成本且确定性的检查函数，用于确认任务是否真正完成（测试通过、记录存在、JSON 匹配），且 spent 变量会在所有层级间共享。如果没有验证器，这套阶梯策略只会将失败向上转嫁。

每次成功任务成本 = 每次运行成本 ÷ 成功率 + 运行失败时的升级或重试成本。以下是使用示例成功率的实际计算示例（请用您自己的评估数据替换）：

路由策略在 API 支出上优于单独使用 Sonnet 5。在 DeepSeek 高峰费率下，Gemini 3.8 Flash 阶梯策略是两者中更便宜的。三个因素让旗舰模型重新领先：失败成本——如果一次失败运行需要有人发现并重新运行，那么 55% 的首次尝试失败率所花费的时间成本超过了路由节省的美元；步骤数——一个廉价模型需要 30 步（Gemini 3.5 Flash Lite 上为 $0.293）才能完成 Sonnet 5 在 12 步（$0.37）内完成的任务，这浪费了其优势；副作用——当错误的工具调用发送电子邮件或写入生产环境时，验证器无法撤销。

何时为旗舰模型付费：在多智能体系统中作为规划器，在具有不可逆副作用的任何步骤上，以及当一次失败运行的成本超过约 $0.50 的人工时间时。何时不付费：在常规的多数步骤上，Tier B 使用严格模式的 $0.14 是合适的默认选择。

无论使用哪种模型，每个代理循环都需要四个限制：

• 每次工具调用轮次的 max_tokens 限制为 1,000 到 4,000。
• 一个硬性的步骤上限，对于大多数任务类型为 12 到 15，可通过你的循环或 SDK 的轮次限制来设置。
• 停止条件：一个必需的完成工具，在重复相同的工具调用时中止，以及在连续两次工具错误时中止。
• 每次运行一个以美元计算的预算，根据每次调用后的 usage 对象计算，并在升级层级之间共享，如下面的代码片段所示。

合理的每次运行上限：Tier C 循环约为 $0.10，Tier B 约为 $0.30，Tier A 约为 $1.00，允许完全升级的运行约为 $2.00。AI 成本计算器将每月运行次数转换为预算线，而 Claude agent API 成本、OpenAI Agents SDK 成本和 Gemini agent API 成本指南涵盖了供应商特定的上限和缓存语法。

9月发布或重新定价的模型，基于同一参考运行（166,800输入，3,600输出token）计算成本，OpenRouter费率于2026年10月1日核查，未启用缓存或批处理。

在相同运行中，GPT-6 Luna 价格为 $0.0185，约为 GPT-5.4 nano $0.038 的一半。Claude Opus 5.5 价格为 $0.74，低于 Claude Opus 5（$0.92）和 GPT-5.5（$0.94），且在 OpenRouter 的智能指数中排名第一，因此取代两者成为价格上的旗舰升级阶梯。DeepSeek V4.1 Flash 按一天中的时段计费（DeepSeek 官方价格页显示：高峰时段 $0.30 / $1.20，非高峰时段 $0.15 / $0.60），因此请将无人值守的运行安排在非高峰时段。Mercury 2.5（八折）和 Gemini 3.8 Flash（五折）目前为促销价，可能随时结束。

我们尚未将新的轻量级行（Mercury 2.5、GPT-6 Luna、DeepSeek V4.1 Flash，以及十月发布的 Claude Haiku 5.5，与 GPT-6 Luna 同为 $0.0185）列入上述可靠性分级。请在验证器后将其作为 Tier C 首次尝试运行，直到您基于自身工具模式的评估得出其他结论。

OpenRouter 的批处理 API（POST https://openrouter.ai/api/v1/batches，自 9 月起上线）对大多数模型按每 token 价格的大约 50% 计费，并在 24 小时内返回结果。它支持聊天补全、Responses、Anthropic Messages 和嵌入。

它不适合代理循环本身：每个步骤都依赖前一个工具的结果，并且每次往返都可能需要等待长达一天。它适合循环周围的工作，其中每个项目都是一个请求：隔夜评估当天的运行、评分转录、总结工具输出、批量分类和数据回填。

每百万 token 的批处理费率：GPT-6 Luna $0.05 / $0.25，Gemini 3.8 Flash $0.375 / $1.875，GPT-6.1 Sol $1 / $5，Claude Opus 5.5 $2 / $10，GPT-6 Astra 和 Claude Fable 5.1 $5 / $25。

工作示例：隔夜对 1,000 个完成的运行进行评分，每个运行 1,000 输入和 200 输出 token，总计 1M 输入加 200K 输出。在 GPT-6.1 Sol 上交互式成本为 $4.00，批处理成本为 $2.00；在 Claude Opus 5.5 上为 $8.00 或 $4.00；在 GPT-6 Astra 上为 $20 或 $10。

限制：每个批处理只能使用一个模型和一种端点形状，仅限文本，并且每个批处理在单一提供商上运行（默认情况下是提供商允许列表、数据策略和 BYOK 设置允许的最便宜的批处理端点）。xAI 模型在批处理中享受 20% 折扣而非半价。网络搜索和提示缓存按常规费率计费，因此提示的缓存部分不会再次减半。

OpenRouter 的托管 shell 服务器工具（openrouter:shell，或用于 Anthropic 工具形状的 openrouter:bash；处于测试阶段）允许任何工具调用模型在托管 Linux 容器中运行命令。沙箱时间成本为每活动秒 $0.0001，在请求内计费。

• 10 个活动分钟：600 × $0.0001 = $0.06
• 1 个活动小时：3,600 × $0.0001 = $0.36

在 GPT-6 Luna 的 12 步运行（$0.0185）中，十分钟的 shell 时间成本超过 token 成本的三倍。在 Claude Opus 5.5（$0.74）上，它增加了大约 8%。对于廉价模型，沙箱而不是模型可能成为更大的成本项：在每次运行预算中计算活动秒数，限制命令运行时间，并且不要在请求中让长时间运行的进程继续运行。文件 API 每个工作区最多可容纳 10 GiB，工作区管理员可以关闭服务器工具。

廉价模型最昂贵的失败是带有副作用的错误工具调用。TypeSafe 的 Jev (typesafe/jev-1.13) 是 OpenRouter 上的一种决策模型，它回答关于待处理工具调用的类型化问题，而不是编写文本：noul（是/否）、choice（选择一个选项）或 score（一个范围内的数字），带有概率以及 choice 和 score 的置信度值。输入每百万 token 成本为 $0.042，输出免费，任何 OpenRouter 密钥都可用。OpenRouter 发布了关于使用 Jev 限制代理工具调用以及使用可逆性检查自动批准编码代理权限提示（Claude Code、Codex、Cursor、OpenCode）的食谱。

模式：在执行每个工具调用之前，发送待处理的调用加上问题所需的最小状态，并询问，例如，一个 noul 问题“这个调用是可逆的吗？”和一个 score 问题关于它匹配用户请求的紧密程度。如果是且分数高则自动执行；否则升级到旗舰层级或人工处理。

参考运行的成本，假设每次检查 500 token 状态且每个步骤一次检查：12 × 500 = 6,000 输入 token × 每百万 $0.042 = 每次运行 $0.00025，大约是 GPT-6 Luna 运行的 1.4%。延迟是更大的成本：中位数约 0.24 秒，12 次顺序检查每次运行增加约 3 秒。

Jev 字面解释指令，因此将算术、预算比较和日期检查保留在你自己的代码中。它不返回解释，因此请自行记录待处理的调用和 Jev 的类型化答案。

除 Tier D 外能运行智能体的最便宜模型：Claude Haiku 5.5 或 GPT-6 Luna，每次 12步运行 $0.0185，需置于验证器之后；DeepSeek V4.1 Flash 非高峰时段 $0.027，高峰时段 $0.054。我们会使用严格模式进行无人值守运行的最便宜选择：Gemini 3.8 Flash 或 GPT-5.4 mini，约 $0.14。在 Anthropic 平台上，建议先在验证器后试用 Haiku 5.5，再考虑支付十倍费用使用已停用的 Haiku 4.5。哪些团队应在每一步都支付旗舰费率：工具调用会产生副作用或失败会消耗大量时间的团队。哪些不应支付：拥有验证器且任务组合常规的用户。获取结果的最经济方式：优先使用缓存，默认 Tier B，在验证器后以 Tier C 进行首次尝试，并设置共享的单次运行预算。