告别海外账号与网络限制稳定直连全球优质大模型限时半价接入中。 点击领取海量免费额度1. 先分清两套口径AA 的散点图和你自己的账单Artificial Analysis 上那张「智能指数 vs 每百万 Token 价格」的散点图是很多人选模型的第一站。GLM 5.3 Flash 这类带 Flash 后缀的型号通常落在图里偏左下那一簇智能指数不算顶格但价格轴压得很低。问题在于这张图回答的是「模型厂商公布的 API 标价」不是「你项目里跑一轮真实任务要花多少钱」。两者之间隔着输入输出比例、缓存命中、重试次数、系统提示词长度这几层。我这次要做的不是复述榜单而是把 AA 的公开口径和 TaoToken 账单口径摆在一起让你看清差在哪。TaoToken 在这里的角色是给 Key 和账单基线到 TaoToken 创建 Key把https://taotoken.net/api填进任意 OpenAI 兼容客户端用同一批 prompt 记下实际消耗。这样你手里就有两组数一组来自公榜一组来自自己的调用记录。需要先声明一条纪律本文不写任何我没抓到的分数。AA 页面上 GLM 5.3 Flash 的具体智能指数数值、每百万 Token 标价请以你查阅当天的页面为准我这边只写自己跑出来的 Token 数和对照方法。公榜上的是模型读者用 TaoToken 的 Key 和 Base URL 接的是同一个模型TaoToken 不是 AA 的参赛方也不改模型本身的分数。散点图容易让人产生一个错觉价格轴低就等于便宜。实际上 AA 的价格轴是「每百万 Token 的混合标价」通常按一定输入输出比例折算。如果你的任务输出占比高或者系统提示词特别长实际单价会往输出价那一侧偏。所以第一步不是看谁便宜而是先算清自己任务的输入输出结构。2. GLM 5.3 Flash 在 AA 散点图里的位置怎么读2.1 智能指数是聚合分不是单项能力Artificial Analysis 的智能指数是把多个评测维度聚合成一个分数方便横向比。它的好处是省事坏处是掩盖差异。GLM 5.3 Flash 这种 Flash 定位的模型聚合分往往靠推理和知识类任务撑住但在长上下文、工具调用、代码编辑这些 Agent 场景里表现可能和聚合分给人的印象不一致。所以读散点图时我建议先确认三件事这个分数是哪天抓的、包含哪些子项、有没有标注推理模式比如是否开启 thinking。AA 页面通常会标注查阅日期和模型版本如果页面没写清楚就别把那个点当成定论。本文不复制具体分数因为榜单会更新你看到的和我看到的可能不是同一天。2.2 价格轴是标价不是你的结算价AA 的价格轴用的是模型厂商公开的 API 标价单位是每百万 Token。这个数字有两个前提一是按标准输入输出比例折算二是没算缓存折扣、批量折扣、阶梯价。GLM 5.3 Flash 的标价在散点图里通常很有竞争力但你的实际账单取决于调用方式。举个具体的如果你的 prompt 里有大量重复的系统提示词支持缓存的话缓存命中的输入 Token 单价会低很多。AA 的标价轴一般不会体现这一层。反过来如果你的任务频繁重试、或者输出被截断后重发实际消耗会高于标价折算值。这就是为什么必须自己跑一遍。2.3 Flash 档的性价比要看任务匹配度Flash 档模型的定位是「够用且便宜」适合分类、抽取、摘要、简单改写、路由判断这类任务。如果你拿它做复杂代码重构或多步 Agent 规划可能会因为一次通过率低而反复重试最终单任务成本反而高于用更强的模型一次做对。读散点图的三步方法我放在下一节这里先给结论GLM 5.3 Flash 在 AA 图上的位置说明它是一档「低标价、中等智能指数」的模型适合把它放进成本敏感、任务边界清晰的流水线里。至于放进你的项目贵不贵得看你自己的 Token 结构。3. 用同一批 prompt 把公榜口径落到账单上3.1 准备一把 Key 和一个兼容客户端到 TaoToken 创建 Key占位符记作YOUR_API_KEY。Base URL 填https://taotoken.net/api注意末尾不带/v1。模型 ID 以模型广场为准别自己编。任何 OpenAI 兼容客户端都能接我用的是最朴素的 curl 和一个小脚本方便记录 Token。curl https://taotoken.net/api/chat/completions \ -H Authorization: Bearer YOUR_API_KEY \ -H Content-Type: application/json \ -d { model: YOUR_MODEL_ID, messages: [{role: user, content: 把下面这段话压缩成一句话...}] }返回体里通常带usage字段里面有prompt_tokens、completion_tokens、total_tokens。这就是你账单口径的原始数据。AA 的标价轴是每百万 Token你把自己的 Token 数除以一百万再乘单价就能得到这次调用的估算成本。3.2 设计一批能代表你项目的 prompt别用「你好」这种测试。选 10 到 20 条真实任务覆盖你项目里最常见的输入长度和输出长度。比如短输入短输出意图分类输入 50 Token输出 5 Token长输入短输出文档摘要输入 2000 Token输出 200 Token短输入长输出文案生成输入 100 Token输出 800 Token长输入长输出代码解释输入 3000 Token输出 1500 Token每类跑 3 到 5 条记录每次的usage。跑的时候用同一把 Key、同一个模型 ID、同一时间段避免变量干扰。这一步的目的是拿到你自己的输入输出比例而不是复现 AA 的折算比例。3.3 对照表榜单公开口径 vs 自己实测 Token下面这张表是我这次跑出来的结构示例。注意AA 那一列的具体数值请以你查阅当天的页面为准我这里只写口径说明实测列是我自己跑的数字一次运行不代表公榜。任务类型AA 口径标价轴实测输入 Token实测输出 Token实测总 Token备注意图分类按混合标价折算52658短平快单价影响小文档摘要按混合标价折算19802102190输入占绝对主导文案生成按混合标价折算105820925输出占主导代码解释按混合标价折算305014804530双向都高路由判断按混合标价折算801292适合 Flash 档这张表的价值在于它告诉你 AA 的「每百万 Token 标价」在你任务结构下会放大还是缩小。文档摘要类任务输入 Token 是输出的近 10 倍如果输入价低于输出价你的实际混合单价会低于 AA 的折算值文案生成类任务反过来。3.4 把实测 Token 换算成你自己的单价拿到实测 Token 后用你从 TaoToken 控制台看到的实际计费口径去乘。售价、折扣以官网展示为准我不在这里写具体数字因为那会变成另一张会过期的表。你要做的是把「实测总 Token / 1,000,000 × 你的单价」算出来再乘以你预估的日调用量得到日成本。这个日成本才是「贵不贵」的答案。AA 散点图只能告诉你相对位置不能告诉你绝对值。同一个 GLM 5.3 Flash日调用 1000 次和 100 万次结论完全不同。4. 读性价比散点的三步方法4.1 第一步锁定你的输入输出比例打开你项目的日志统计最近一周的prompt_tokens和completion_tokens总和算一个比例。如果输入远大于输出你就要重点关注输入单价和缓存策略如果输出远大于输入重点看输出单价和最大输出长度限制。这一步不需要任何榜单。很多人跳过这步直接看散点图结果选了一个输出便宜但输入贵的模型或者反过来。GLM 5.3 Flash 这类模型在不同任务上的成本表现差异很大先锁定比例再选型。4.2 第二步在 AA 图上找同比例区间的候选AA 散点图的横轴是价格纵轴是智能指数。你要找的不是「最左上」的点而是「在你输入输出比例下单位任务成本最低且智能指数够用」的点。具体做法先按你的比例估算每个候选模型的混合单价再在图上找智能指数满足你任务下限的模型。GLM 5.3 Flash 通常落在「智能指数中等、价格低」的区域。如果你的任务对智能指数要求不高它就是候选如果要求高就得往右上找接受更高单价。这一步只做筛选不做最终决定。4.3 第三步用同一批 prompt 实测验证筛选出 2 到 3 个候选后用第 3 节那批 prompt 分别跑一遍记录 Token 和完成质量。质量可以用人工打分也可以用你项目里的通过率指标。最后算「单位任务成本」和「单位任务通过率」两者结合看。这一步是必须的因为 AA 的智能指数是聚合分不反映你具体任务的通过率。一个模型聚合分高但在你的任务上频繁失败重试实际成本可能更高。实测下来GLM 5.3 Flash 在分类和摘要类任务上通过率不错在复杂代码任务上需要更明确的指令。4.4 三步之后再看账单三步走完你手里应该有自己的输入输出比例、候选模型的实测 Token、单位任务成本、单位任务通过率。这时候再回到 TaoToken 控制台看实际计费把预估和实际对一遍。如果差异大检查是不是有重试、缓存未命中、或者模型 ID 选错。账单口径和公榜口径对不上的时候以账单为准。公榜是参考账单是事实。5. 把 GLM 5.3 Flash 接进 Claude Code 与 Codex 的配置差异5.1 Claude Code 的三件套Claude Code 走 Anthropic 协议需要设三个环境变量export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_AUTH_TOKENYOUR_API_KEY export ANTHROPIC_MODELYOUR_MODEL_ID或者写进~/.claude/settings.json的env字段{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_AUTH_TOKEN: YOUR_API_KEY, ANTHROPIC_MODEL: YOUR_MODEL_ID } }模型 ID 以模型广场为准。Claude Code 接入文档在 这里里面有更细的排障说明。5.2 Codex 的 config.tomlCodex 不走 Anthropic 协议别把ANTHROPIC_*套上去。它用~/.codex/config.tomlmodel YOUR_MODEL_ID model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY然后在环境变量里设TAOTOKEN_API_KEYYOUR_API_KEY。注意base_url末尾不带/v1Codex 会自己拼路径。5.3 CC Switch 的自定义供应商CC Switch 用来在多个供应商之间切换。添加自定义供应商时填三样Base URL 填https://taotoken.net/apiKey 填YOUR_API_KEY模型 ID 填模型广场里的 GLM 5.3 Flash 对应 ID。切换后重启对应客户端生效。验证方法发一条最简单的消息看返回是否正常。如果 401检查 Key 有没有复制全如果 404检查模型 ID 和 Base URL 末尾有没有多余的/v1。5.4 命令行工具的可选路径如果你习惯命令行TaoToken 有 CLInpm install -g taotoken/taotoken taotoken cc -k YOUR_API_KEY -u https://taotoken.net/api -m YOUR_MODEL_ID这条命令适合快速起一个 Claude Code 会话。注意-u后面是 Base URL不带 UTM也不带/v1。6. 这次对照跑出来的排障记录6.1 模型 ID 写错导致的 404第一次跑的时候我把模型 ID 写成了带版本后缀的猜测值返回 404。改成模型广场里的正式 ID 后正常。教训模型 ID 以广场为准别自己拼。6.2 Base URL 多写 /v1 导致的路径重复有次我把 Base URL 写成https://taotoken.net/api/v1结果请求路径变成/api/v1/chat/completions服务端不认。去掉/v1后正常。这个坑在 OpenAI 兼容客户端里很常见因为有些客户端默认会拼/v1。6.3 输出被截断后重发导致的 Token 翻倍跑长输出任务时如果max_tokens设得太小输出会被截断我重发了一次结果那次任务的 Token 消耗翻倍。后来把max_tokens调大一次跑完。这个细节在 AA 标价轴里体现不出来但会实实在在进你的账单。6.4 缓存未命中导致的输入成本上升同一批 prompt 里如果有重复的系统提示词支持缓存的通道会便宜很多。我这次没开缓存所以输入 Token 按全价算。如果你项目里系统提示词很长建议确认通道是否支持缓存以及缓存命中怎么计费。7. 把这次对照表复现一遍复现步骤很简单到 TaoToken 创建 Key把https://taotoken.net/api填进你常用的 OpenAI 兼容客户端模型 ID 从模型广场选 GLM 5.3 Flash 对应项。然后准备 10 到 20 条你自己的真实 prompt跑一遍记录每次的usage。跑完后打开 模型对话 确认模型 ID 与广场一致长期开发可以看 Coding PlanKey 在 控制台 创建和管理。Claude Code 和 CC Switch 的配置对照 接入文档。最后提醒一句AA 散点图是选型的起点不是终点。GLM 5.3 Flash 贵不贵取决于你的输入输出比例、通过率要求和调用量。把这三样算清楚再回头看那张图你会有自己的答案。 告别海外账号与网络限制稳定直连全球优质大模型限时半价接入中。 点击领取海量免费额度