模型促销期该做哪些对比测试?

看到11月30日这个日期，我第一反应是“赶紧把任务挪过去试试”。但冷静下来想想，促销价最容易骗人的地方，就是让人只盯着单价看。Carbon 现在是每百万输入 token 2美元、输出10美元，12月1日起翻倍，这个窗口确实值得用，但真正该做的对比测试，不是跑个“你好”看谁快。

我会先算整任务成本，而不是 token 单价。有第三方估算给过一组数：单次评估任务里，Carbon 约7.76美元，Argon 约7.68美元，促销价下两者几乎打平。可翻倍之后呢？原本跑得起的预算模型得整个重算。所以测试时我会把每次任务的完整消耗、重试次数、超时率都记下来，尤其是高 thinking 级别那条路径——官方自己都提示过它可能吃更多 token、也可能更慢。单价便宜不等于账单便宜，这种坑踩一次就够记一辈子。

然后，我不会只跑标准题。Carbon 的定位很明显偏向长时程推理、软件工程和安全分析，我想验证的恰恰是这些：一个需要多步动作的长任务，它能不能一口气走完，中途掉链子几次，输出我能不能直接用。榜单可以当参考，但我不会把它当答案。MKA 那种任务集不公开的评分，看着好看，可我既复现不了，也不知道它跟我的业务差多远。厂商自测17项领先15项，这话听听就好。

我还会横向摆两三个模型对照，哪怕是随手拉来个更早的版本做基线。因为“够不够用”是相对的，单看一个模型跑出来的结果，你没有参照物，很容易自我感动。

最后提前算一笔翻倍后的账：假设12月1日价格变成现在两倍，这个任务我还愿不愿意继续用 Carbon？如果答案是否定的，那这次的测试结论就是“促销期用来做一次性验证，不适合长期挂生产”。早点想清楚这件事，比月底被账单吓一跳要体面得多。

促销期真正的福利，是给了你一个低成本试错的窗口，而不是一个必须抓住的便宜。把测试做扎实，剩下的交给账单说话。