10 月 17 日晚间，DeepSeek 完成了一次全量切换：网页端、App 和 API 几乎同时更新到 V4.1-Flash-1017，没有发布会，没有预热海报，只有一条安静的更新日志（官方 Change Log）。

这次更新最值得注意的地方，不是榜单分数涨了多少，而是优化目标本身变了：新版本在训练阶段针对自家的 Agent 运行框架做了专项优化，目标是把任务的运行时间和输出 token 一起压下来——媒体将其描述为一次「性能—费用帕累托改进」：不是单纯变聪明，而是让同一项任务花更少的时间和钱完成（10 月 18 日 AI 日报）。

同一天，还有两件事指向同一个方向：智谱开源了法律专用模型 GLM-Legal，清华 THUNLP 团队开源了 Agent 工程框架 PilotDeck 2.0。

三条线索，三个团队，路径各不相同，结论却高度一致：大模型竞争的主轴，正在从参数和跑分，转向「单位任务成本」。

三条同一天的线索

DeepSeek：不涨分，先降价

传统的模型更新叙事是这样的：新版本在若干基准上提升了几个点，官方发布一张柱状图，社区讨论它超过了谁。

V4.1-Flash-1017 走的是另一条路。它的优化对象是 Agent 任务的完整执行过程——多轮调用工具、读取返回结果、继续下一步——而不是单轮问答的分数。伴随模型切换的还有运行框架的升级，新版本加入了写完代码后自查、返工、再交付的流程。

这个变化背后的现实是：**Agent 的账单不是按「一次回答」算的。**一个任务往往包含几十次模型调用，每次调用都会产生输入和输出 token，输出越啰嗦、返工次数越多，账单被放大得越厉害。单次调用的报价单，早就不能代表真实成本了。

智谱 GLM-Legal：专用化的性价比

智谱同日开源的 GLM-Legal，基于 GLM-5.3-Flash，用法律语料和数万条任务强化学习训练而成。它在 Vals AI 的 Harvey LAB 与 LegalBench 两项测评中拿到开放权重模型第一：全通过率 19.2%，LegalBench 准确率 86.23%。

但评测数字里最尖锐的一项是成本：在成绩相近的前提下，它的测试成本约为 Gemini 4 Argon 的七十分之一——代价是耗时多出近 30 分钟（同上日报）。

这个取舍非常能说明问题：法律场景愿意为可靠性等待，说明「便宜」和「快」不再是同一个维度的竞争。一个专用小模型，用七十分之一的钱、多半小时的时间，完成旗舰模型大部分的工作——对于不需要即时响应的批量任务，这笔账很好算。

PilotDeck 2.0：把强模型用在刀刃上

清华 THUNLP 联合面壁智能、OpenBMB 推出的 PilotDeck 2.0，从工程框架层面回答同一个问题。它的核心设计有三块：

  • WorkSpace 工作舱：每个项目独立的文件、记忆、技能空间，互不干扰；
  • 白盒记忆：记忆可查看、可修改、可删除，不再是黑盒；
  • Smart Routing 智能路由：强模型负责规划，小模型负责执行。

第三点直接命中成本结构。复杂任务不再全程由顶配模型驱动，而是拆成「规划」和「执行」两层，据其公开数据，复杂任务的成本可降到使用顶配单体模型的约六分之一（AI 周报）。

三条路径——训练侧压缩、模型专用化、框架层路由——本质都是同一件事：把「智能」变成可计价、可优化的工程能力。

为什么「单次回答价格」失效了

过去评估一个模型的价格，看的是每百万 token 的输入和输出报价。这个指标在聊天机器人时代够用，因为一次交互基本就是一次调用。

Agent 改变了这个等式。一个「帮我订票并申请理赔」的任务，内部可能是这样的：理解意图 → 查询航班 → 读取条款 → 填写表单 → 提交 → 校验结果 → 失败重试。每一步都是一次模型调用，每一步都有输入输出，中间还可能有失败和返工。任务越复杂，报价单和真实账单之间的偏差越大。

行业已经出现了几个针对这个问题的新玩法：

决策模型：输出不收钱。 2026 年 10 月，「决策模型」成为独立的产品品类——模型不生成自由文本，而是单次前向传播直接返回带类型的答案（是/否、选项、评分）和概率。OpenAI、Cloudflare、亚马逊、Perplexity 相继推出同类产品，其中多家的计费方式是只收输入费用、输出零费用。据 LangChain 公布的数据，这种模式让 Agent 路由和调用的中位成本降低 64%；苹果与 CMU 的研究则显示，在 Agent 内部使用结构化推理可以降低 90% 的每步推理延迟（AI 月报）。

按任务计价：benchmark 走向钱包。 独立评测机构 Artificial Analysis 已经开始公布「每任务成本」：GPT-6.1 Sol 完成一个任务约 0.72 美元，而智能水平高出约 1 分的 GPT-6 Astra 超过 3 美元——接近四倍的差距（ThursdAI 10 月发布汇总、模型价格追踪）。当两个模型的分数差距小到需要用统计区间才能区分时，价格就成了决定性变量。

上下文与缓存的经济学。 长上下文让整份代码库、整份合同一次性进入模型视野，减少了检索和拼接的开销；而缓存折扣（多家厂商对缓存输入给出 90% 以上的折扣）让 Agent 反复读取同一份上下文的场景成本大幅下降。这些都不是「模型变聪明」，而是「用法变聪明」。

新的评估坐标系

把上面这些变化放在一起，一套新的选型标准正在成型。对使用 AI 的开发者来说，评估一个模型至少要加上三个维度：

一、完成一个真实任务要花多少钱。 不是每百万 token 的报价，而是把多轮调用、返工、上下文累积全部算进去之后，端到端跑完一个任务的成本。跑分相同的两个模型，在这个维度上可能差出数倍。

二、要花多少时间。 GLM-Legal 的例子说明，「便宜但慢」和「贵但快」对应完全不同的任务类型：实时交互要的是延迟，后台批处理要的是吞吐和单价。脱离场景谈快慢没有意义。

三、返工率和失败率。 一个便宜但频繁出错的模型，可能比一个贵但一次做对的模型更贵——因为每次返工都是一轮完整的调用循环。DeepSeek 在新版本里加入自查和返工流程，智谱用数万条任务做强化学习，某种程度上都是在压这个隐性成本。

这也解释了一个乍看矛盾的现象：**为什么模型厂商一边降价，一边还在拼命涨分？**因为两者服务的是同一个目标——单位任务成本。涨分提高的是一次做对的概率，降价压低的是每次调用的单价，路由和缓存优化的则是调用结构。三条线共同决定了那条真正的曲线。

对使用 AI 的人意味着什么

如果你日常在用 AI 写代码、跑自动化、搭 Agent，这套变化有几个很实际的推论：

选型时把「每任务成本」放进测试流程。 用你自己的真实任务（不是官方示例）跑一组对照，记录总 token 消耗、总耗时和成功率，比通读榜单有效得多。各大评测机构现在已经公开每任务成本数据，可以直接参考。

优先考虑能分层的架构。 规划用强模型、执行用小模型、路由用决策模型——这套组合拳不一定需要自研，市面上已有开源框架（如 PilotDeck 2.0）和成熟的托管方案。对多数团队来说，接入现成的路由层比换模型见效更快。

关注计费模式，而不只是模型名单。 缓存折扣、离峰半价、输出免计费、按结果计价——2026 年的 API 市场在计费方式上的创新，不比模型本身少。同样的调用量，计费方式选对了，成本可以差出一个数量级。

对「便宜但慢」的任务保持敏感。 后台批处理、文档审阅、数据标注这类不需要即时响应的任务，正是专用小模型的主场。把这类任务从旗舰模型上挪下来，往往是成本优化里投入产出比最高的一步。

结语

过去三年，人们习惯用参数量和榜单排名来讨论大模型的强弱。这个坐标系并没有作废，但它正在从「唯一标准」退化为「参考指标之一」。

当 Agent 开始真正承担工作——多轮调用、长时间运行、代表用户执行操作——衡量它的单位就从「一次回答」变成了「一件完成的事」。相应的，竞争的焦点也从「谁更聪明」转向了三个更朴素的问题：干成这件事要花多少钱、花多少时间、要返工几次。

10 月 17 日那个安静的版本切换，也许就是这条分水岭的一个注脚：行业最快的那批玩家，已经在用另一套指标说话了。