30 秒看結論
- 牌價一樣、能力相當，成本仍可能差很多，GPT-6 Astra 與 Claude Fable 5.1 每題費用差 8.7 倍。
- 牌價便宜不等於省，牌價便宜一半的模型，每題成本可能高出 5.5 倍。
- 要知道自己的成本，得用自己的工作實測，比較多家模型，需要逐家串接。
- 勤英科技的 MixRoute：一組 API key 串接多家模型，在同一個後台查看各家費用，輕鬆比較成本。
牌價一樣、能力相當，每件任務的成本會一樣嗎？
不一定。牌價只是每單位 token 的價格，實際費用還要看模型完成工作時消耗多少 token。
數學評測平台 MathArena 每個月以新公布的題目出一批考題讓多款模型作答，每題執行 4 次，記錄正確率與作答一題平均的實際 API 費用。
在 2026 年 6 月那批題目上，GPT-6 Astra 與 Claude Fable 5.1 的牌價相同。兩款模型的正確率分別為 94.4% 與 91.0%。
兩款每題平均 API 費用分別為 $0.67 與 $5.86，相差 8.7 倍。
同一組模型，4 到 6 月三批題目都差 8.7 到 11.6 倍
這個差距不是單一場的結果。兩款模型維持相同設定，作答 4 到 6 月三批題目的表現如下：
| 題目月份 | Astra 正確率 | Astra 每題成本 | Fable 5.1 正確率 | Fable 5.1 每題成本 | 成本相差 |
|---|---|---|---|---|---|
| 2026 年 4 月 | 90.8% | $0.59 | 77.5% | $6.87 | 11.6 倍 |
| 2026 年 5 月 | 95.0% | $0.57 | 87.5% | $5.38 | 9.4 倍 |
| 2026 年 6 月 | 94.4% | $0.67 | 91.0% | $5.86 | 8.7 倍 |
正確率相近的模型，每題成本可以差多少？
正確率相近的模型，每題成本可以相差數十倍。
下表從 6 月場的 25 款模型中，挑出官方定價頁查得到標準牌價的主力模型，以及本文拿來對照的設定；25 款的完整名次見表後的原始截圖。
表中的費用是這批數學題目的實測結果，可用來觀察成本差距；企業選型仍須以自己的工作案例另測。
| 名次 | 模型（推理強度） | 正確率（信賴區間） | 每題成本 | 平均輸出 token | 牌價（每百萬 token，輸入／輸出） |
|---|---|---|---|---|---|
| 1 | GPT-6 Astra（max） | 94.4%（±3.7） | $0.67 | 12,636 | $10／$50 |
| 2 | Claude Fable 5.1（max） | 91.0%（±4.7） | $5.86 | 117,076 | $10／$50 |
| 4 | Claude Fable 5（max） | 85.4%（±5.8） | $3.79 | 75,675 | $10／$50 |
| 5 | GPT-6 Astra（low） | 84.4%（±7.3） | $0.088 | 1,711 | $10／$50 |
| 7 | Claude Opus 5（max） | 82.6%（±6.2） | $3.66 | 146,509 | $5／$25 |
| 9 | Qwen3.8-Max | 75.7%（±7.0） | $0.39 | 64,770 | $2／$6 |
| 12 | Gemini 3.8 Flash | 67.4%（±7.7） | $0.15 | 40,222 | $0.75／$3.75 |
| 15 | Gemini 3.7 Flash | 62.5%（±7.9） | $0.084 | 22,313 | $0.75／$3.75 |
| 22 | Claude Fable 5.1（low） | 38.5%（±9.7） | $0.11 | 2,140 | $10／$50 |
牌價為各家定價頁的標準價（2026 年 9 月 23 日查閱），Qwen3.8-Max 為阿里雲國際部署的價格。原始排名圖中的 ⚠️ 標記，見下方說明。
若把正確率與每題平均費用一起看，GPT-6 Astra（low）與 Claude Opus 5（max）這組尤其明顯：在這批題目上，兩款的正確率信賴區間重疊，但每題平均費用相差 42 倍。
原始排名圖中三種標記的意思：
- ±：95% 信賴區間。本文將區間重疊的模型視為正確率相近。
- ⚠️：模型在這批題目公布後才發表，訓練時可能已接觸過這批題目，正確率宜保守解讀；每題成本與 token 用量仍是實際測得的數字。
- Invalid：GPT-5.6-Sol 的成本欄。OpenAI 回報的單次用量異常，MathArena 判定相關成本無效。
成本差在哪？牌價之外，還要看用量
完成一題消耗多少 token，決定帳單
牌價相同時，每題成本的差距全部來自用量。前表牌價同為 $10／$50 的幾個設定，平均輸出 token 的差距，幾乎就是每題成本的差距。
定價頁只列出每百萬 token 的單價，不會告訴你模型完成一件工作需要多少 token。
牌價怎麼讀、輸入與輸出怎麼分開計算，見〈OpenAI API 費用怎麼算？2026 計費與成本一次看〉。
牌價便宜一半，每題成本反而高 5.5 倍
牌價排不出每題成本的高低。Claude Opus 5 的牌價是 GPT-6 Astra 的一半，6 月場的每題成本卻是 Astra 的 5.5 倍，正確率也較低。
選定模型之後，如何分層使用與控制成本，見〈AI API 成本怎麼省？LLM API 成本優化的 4 層策略〉。
MathArena 的每題費用不能直接當作企業工作的預算。要知道自己的成本，得讓候選模型處理同一批實際案例，再把費用與驗收結果放在一起看。
比較多家模型的實際費用，一定要逐家串接嗎？
不必逐家串接，可以透過 AI Gateway 從同一個入口使用多家模型。
若直接使用各家的 API，每多一家供應商，就要多申請一組金鑰、多完成一次串接、多處理一份付款與帳單；比較費用時，還得自行彙整各家的用量。
勤英科技自行開發的 MixRoute 是一套 AI Gateway，提供以下功能：
- 一組 API key 串接多家模型：使用 MixRoute 支援的模型時，不必逐家申請金鑰與完成串接。請求格式相容 OpenAI API，方便在同一套測試流程中切換候選模型。
- 新模型通常在 24 小時內接入：平台接入後，即可沿用既有串接，以同一批工作測試新模型，減少重新準備的時間。
- 在同一個後台查看用量與費用：各款模型消耗多少 token、花了多少錢，可以集中查閱，不必再逐家核對帳單。將測試費用與驗收結果彙整後，就能比較每件合格成果的 API 成本。
如果還不確定哪些工作適合測試、該比較哪幾款模型，勤英科技的企業 AI 導入評估可以協助從現有流程挑選測試案例、訂定驗收標準，並規劃候選名單。
結論：用每件合格成果的成本選模型
牌價一樣、能力相當的模型，完成同一件工作的成本仍可能差好幾倍。
選模型前，先拿一批實際工作讓候選模型各做一遍，再比較合格成果的費用；從挑選工作到多家模型的串接，勤英科技都可以協助。
資料來源
- MathArena：ArXivMath 2026 年 6 月場排名與方法說明（首頁選 ArXivMath 與 06/2026；每題各執行 4 次，成本為實際 API 費用，± 為 95% 信賴區間；查閱 2026 年 9 月 23 日）
- MathArena：GPT-6 Astra (max) 模型頁（4 至 6 月三場的數字；查閱 2026 年 9 月 23 日）
- MathArena：Claude Fable 5.1 (max) 模型頁（4 至 6 月三場的數字；查閱 2026 年 9 月 23 日）
- Anthropic 定價頁（查閱 2026 年 9 月 23 日）
- OpenAI API 定價頁（查閱 2026 年 9 月 23 日）
- Gemini API 定價頁（查閱 2026 年 9 月 23 日）
- 阿里雲 Model Studio 定價頁（查閱 2026 年 9 月 23 日）
