阿良
@RealYDT • 18,667 subscribers
我是阿良，善良的良 观察 AI 正在怎么改变我们的工作、关系和思维方式 不站队，不讨好，只说真话 拆现象，拆逻辑，看懂表象背后的系统
Shorts
Videos
我让 GPT-6 Astra 和 Claude Fable 5.1 审同一份代码，Astra 的账单便宜了 26.4%。 点开日志，Astra 的 9,832 个输出 token 里，有 7,250 个属于推理，占 73.7%，扣掉推理后，剩下的 token 大约是 Fable 的一半。 这次对照是在 ZenMux 上跑的，同一个 key 可以切模型，调用记录能展开每项费用，方便把两边放在一起核算。后面接入 Codex，又查了一次模型定价接口，我找到了另外两处只看总账单容易忽略的成本。 先说审代码这次。 测试材料是我自己项目里的自动评分器，163 行 Python，公开在 GitHub 的 ling-fin-eval 仓库。 左边 GPT-6 Astra，右边 Claude Fable 5.1，同一段 prompt 同时发，要求把问题分三类，每条给确切行号和理由，没把握的明确写“未验证”，不要自行补全。 Astra 报了 20 条，另列 4 条未验证；Fable 报了 37 条，并逐条标注把握程度。 两边的账单和输出放在一起，是这样。 项目GPT-6 Astra，Claude Fable 5.1 总费用0.5331 美元，0.7245 美元 输出 token9,832，13,278 推理 token7,250，8386 输出减去推理2,582，4,892 Astra 这次确实少花了 26.4%，总输出 token 也更少。 我又做了一个折算。按 output token 包含 reasoning token 的口径，用总费用除以两者相减后的 token 数，再换算成每百万 token。 Astra 是 206.47 美元，Fable 是 148.10 美元，前者高出 39.4%。 这个数只表示本次总费用分摊到非推理输出后的成本。，它依赖两边字段口径一致，也不能直接代表审查质量。回答长短、问题条数都只是表面数量，误报和遗漏需要逐条核验。 这组数据让我对“输出更少”多留了一个心眼，只看 9,832 和 13,278，会漏掉输出内部的构成。 ZenMux 在这里省了接入和对账的步骤，我可以在同一个平台切模型，再展开两条调用记录看费用，实际参数和缓存状态仍要单独记录，同一个 key 不会自动让这些条件一致。 接下来这笔更直观。 我把 Codex 接到 ZenMux，问了一个很简单的问题：“用一句话说明 norm() 函数做了什么。” 它答对了，还给出了 第 7 行。我回源核过，行号精确命中。 其中一条调用记录的费用是 0.2482515 美元，拆开如下。 费用项token 数，费用（美元） 占比缓存读取 input_cache_read 182,934，0.182934，73.7% 缓存写入 input_cache_write，3,519 0.0439875 17.7% 输出 completion，413，0.020650 8.3%普通输入 prompt68，0.000680，0.3% 合计0.2482515 100% 输出费用只占 8.3%，大约十二分之一，缓存读取和写入合计占了 91.4%。 这条记录中的输入类 token 加起来有 186,521 个，对照我只问了一句函数解释，这个输入量很值得继续查。 Agent 请求会携带上下文，系统提示、skills 清单、AGENTS.md 和读入的文件，都可能贡献输入，但仅凭费用表，还不能确定它们各占多少。 缓存读取占比高，也不能直接判成缓存浪费，这里读缓存的单价是普通输入的十分之一。需要继续检查的是，任务带入了哪些上下文，其中多少确实需要。 有了逐项账单，排查方向就清楚了。这条记录里，输出只占很小一部分，输入上下文值得优先检查，整次任务花了多少钱，则要把相关请求一起算进去。 第三处发现来自定价接口，也纠正了我自己的一个推断。 ZenMux 模型页给 Astra 标出的价格区间是输入 10 至 20、输出 50 至 75 美元／百万 token，我最初把这个区间理解成了 low、medium、high 等推理档位，还专门去问了品牌方。 后来查了公开的 models 接口，定价条件写的是 prompt_tokens。 截至 2026 年 9 月 6 日，Astra 的定义如下，单位均为美元／百万 token。 费用项，单次请求 prompt < 272K 单次请求 prompt ≥ 272K 输入10，20 缓存写入，12.5，25 缓存读取1，2输出50，75 这个区间对应长上下文阶梯，达到 272K 后，输入和缓存单价翻倍，输出单价上涨 50%。 接口列出的这组价格条件没有按 effort 分档，effort 仍可能改变实际使用的 token 数，进而影响总费用。 272K 要对照单次请求的 prompt token，不能拿整个 agent 任务多次请求的累计输入来比较。不同模型的阶梯也要逐个看，这张表只适用于接口当前列出的 Astra 定义。 超过门槛后的实际扣费，我没有另外发请求验证。 这几笔账查完，我用 ZenMux 的理由更具体了，换模型时可以沿用同一个 key，跑完以后能在同一个地方对照调用记录，再追到输入、推理、缓存和各项单价。 推理 token 数也能从部分官方 API 的 usage 字段里拿到，例如 OpenAI 就有相应字段，ZenMux 对我这次工作的帮助，是把多模型调用和费用查看集中起来，减少自己整理不同接口数据的步骤。 限时充值活动： 充 50 美元得 70（送 20） 充 100 美元得 150（送 50） 限 9.4-9.11 ，一共是7天，每个账号限兑一次 活动入口和当前状态以官网为准： #ZenMux
阿良｜AI 工作流64,596 views • 10 days ago
1:24
Sensitive content
This media may contain sensitive content.
阿里这次有点猛：最新旗舰模型，直接免费开放。 Qwen3.8-Max-Preview 已经上线 不用 API Key，不用绑卡，登录账号、选中模型、打开 Web Dev 模式，就能直接用。 它最值得试的不是聊天，而是一句话生成完整网站。 页面、动画、响应式布局、实时预览，基本都能一次给你搭出来。甚至只输入一句“hello”，它都能生成一个能交互的 Landing Page。 更关键的是，现在还处于免费 Preview 阶段。 这意味着你可以先拿它和 Claude Code、Codex、Cursor 跑同一个真实任务，再决定值不值得接入工作流。 不过先别急着吹性能：官方 Benchmark 还没公布，网上的跑分和“碾压”结论都只能当参考。 模型强不强，别看宣传，丢个真实项目进去跑一遍就知道了。
阿良｜AI 工作流76,946 views • 1 month ago
放眼我们的真实生活，有多少人其实每天也在扮演着那个戴着假发和胡须的流浪汉？为了不被感情伤害，我们装出刀枪不入、没心没肺的样子，为了不被职场剥削，我们浑身长满尖刺，对所有人都充满防备。我们小心翼翼地提防着生活里的每一个小偷，防着他们偷走我们的真心、信任和利益。 结果呢？小偷确实被防住了，但我们也被困在自己亲手编织的盔甲里。在这座拥挤的城市中，我们成了最安全，却也最孤独的个体。 想要在这个世界里真正地活过，该遇见的风景就去遇见，该承担的风险就去承担。去欧洲旅行，丢了钱包不过是破财免灾，但如果为了防贼，把自己逼成了连父母都不敢相认的怪物，把一场充满阳光的旅行过成了战战兢兢的潜伏，那才是对生命最大的辜负。
阿良158,860 views • 5 months ago
