Claude 三档模型怎么选：同一套编码测试，差距全在账单上

Claude 三档模型怎么选同一套编码测试差距全在账单上原文OpenRouter - 《Claude Opus vs Sonnet vs Haiku: Which Should You Use?》https://openrouter.ai/blog/insights/claude-opus-vs-sonnet-vs-haiku/一、问题的起点默认模型不是你以为的那个OpenRouter 这篇实测报告里最反直觉的一句话是Claude Code 在 Pro、Max、Team、Enterprise 和 API 账号上默认用的都是 Opus 5.5。如果你从没改过模型设置那么你一直在跑最贵的那一档。紧接着的第二个结论更值得停下来看。在他们跑的编码测试里Opus 5.5 并没有赢过 Sonnet 5.5两档分数打平但 Sonnet 每 token 便宜一半。这篇文章的价值不在于推荐用哪一档而在于它把模型选择这件事拆成了一张能核对的账。我们按它的顺序来读。二、三档模型的基本盘Opus 5.5 于 2026 年 9 月 22 日发布Sonnet 5.5 于 9 月 28 日Haiku 5.5 于 10 月 7 日。三者同属一个代际上下文窗口都是 100 万 token都接受文本、图片和 PDF。差别主要落在价格上以及 Haiku 的基准分数。指标Opus 5.5Sonnet 5.5Haiku 5.5输入每百万 token4.00 美元2.00 美元0.10 美元输出每百万 token20.00 美元10.00 美元0.50 美元缓存读取每百万 token0.20 美元0.10 美元0.01 美元智能指数57.656.043.4GPQA DiamondOpenRouter 实测90.4%92.4%86.6%τ-bench airlineOpenRouter 实测75.5%78.7%76.0%表格里的价格是 2026 年 10 月 21 日的列表价基准数据来自 10 月 17 日的运行。智能指数是第三方机构 Artificial Analysis 打的综合分横跨 10 项评测。有几个数字要单独点出来因为它们容易被读反智能指数上 Opus 领先 Sonnet 1.6 分。这是三档里唯一 Opus 明显领先的地方而这个指数里 agentic 任务和通用知识各占 30%编码和科学推理各占 20%。两个实测基准上 Sonnet 都反超了 OpusGPQA Diamond 高 2 分τ-bench airline 高 3.2 分。Haiku 在两个基准上比 Sonnet 分别低 5.8 分和 2.7 分但它比 Opus 高 0.5 分。最后一条说明什么在这样的分数密度下单个基准的几分差距很可能只是噪声。原文自己承认每档只跑了 100 到 200 个任务几个点的差距不足以定性。三、编码测试全员满分只比账单真正有意思的是两组编码测试因为三档模型的分数完全一样。第一组是 11 道 Python 题每道题配一个隐藏测试文件。8 道日常题解析时长、合并区间、LRU 缓存、不借助 eval 的算术求值器、cron 表达式下次运行时间、文本折行、SemVer 排序、JSON 路径读取3 道难题不用 re 模块写正则引擎、带三值 NULL 逻辑的 SQL WHERE 过滤、跨时区并在夏令时切换日的空闲时段计算。每档模型每题都做了重复运行合计 25 次尝试。结果三档都是 25 次全过。差别全是钱。指标Opus 5.5Sonnet 5.5Haiku 5.5通过次数25/2525/2525/25日常题单次成本0.0211 美元0.0112 美元0.0007 美元难题单次成本0.0739 美元0.0380 美元0.0027 美元难题单次耗时32.1 秒25.7 秒22.6 秒第二组更贴近真实工作给 Claude Code 一个只有三个 bug、五个测试的小型发票库。三个 bug 分别是银行家舍入四舍六入五取偶、CSV 解析器在引号内的逗号处错误切分、汇总时覆盖数量而非累加。每档模型跑三次通过设置 ANTHROPIC_MODEL 环境变量来切换模型。结果同样整齐三档都是 3/3 全部修好。每档的中位会话成本依次是 0.098、0.062、0.0052 美元。这里 Haiku 的成本比 Opus 低了将近 19 倍但它多用了轮次Opus 是 5 轮Haiku 是 6 到 8 轮。也就是说便宜模型的单价优势会被多跑几轮吃掉一部分但吃得不多。还有一个细节值得记下来难题上 Haiku 反而最快22.6 秒比 Opus 快近 10 秒它的推理 token 平均用了 3202 个Opus 是 1252 个。Haiku 想得更多但想得更快最后总成本还是便宜了 27 倍。这说明低阶模型就是阉割版这个直觉不成立它们往往是在参数规模之外用了不同的推理配置。四、一个会误导你的成本数字原文专门标出了一处坑Claude Code 自带的 total_cost_usd 字段不认 OpenRouter 的 Haiku slug报出的会话成本是 0.16 到 0.31 美元而按列表价算出来的中位数是 0.0052 美元差了 30 到 60 倍。在打印模式下运行会看到这样的告警[claude-code:unrecognized_model] {model:anthropic/claude-haiku-5.5,query_source:sdk}这提醒我们一件事成本核算必须以账单或请求返回的 usage 字段为准不能相信客户端自己算的数。第三方的成本面板之所以容易被误信就是因为它看起来很精细。五、怎么在自己的项目里验证原文提供了 OpenRouter 上的调用示例我把它改成了带成本断言的版本方便直接拿来做决策。# 基于原文示例改写模型名与价格口径以官方文档为准importosimportrequests MODELS{anthropic/claude-opus-5.5:{in:4.00,out:20.00},anthropic/claude-sonnet-5.5:{in:2.00,out:10.00},anthropic/claude-haiku-5.5:{in:0.10,out:0.50},}PROMPTWrite a Python function that merges overlapping intervals.defrun(model):rrequests.post(https://openrouter.ai/api/v1/chat/completions,headers{Authorization:fBearer{os.environ[OPENROUTER_API_KEY]}},json{model:model,messages:[{role:user,content:PROMPT}]},timeout300,)r.raise_for_status()returnr.json()[usage]formodelinMODELS:urun(model)pMODELS[model]# usage 里带 prompt_tokens / completion_tokens / cost 三个关键字段print(f{model:32s}out{u[completion_tokens]:5d}tok fcost${u[cost]:.4f}fin{u.get(prompt_tokens,0)}tok)这段代码对应原文 10 月 13 日的实测输出同一个提示词Opus 输出 1190 token 花了 0.0239 美元Sonnet 输出 876 token 花 0.0088 美元Haiku 输出 852 token 花 0.0004 美元。注意 token 数并不一样输出越长的那次自然越贵所以比较成本要在同一任务上比不能只比单价。要判断哪一档适合你的项目原文给的建议是用 Ori Eval让编码 Agent 在你的代码库里找测试素材、写出评测、跑你指定的几个模型最后给出分数、耗时和成本。他们给的评测文件是 TypeScript 的 eval.ts 格式把三档的 slug 分别传给 setupAgent 的 model 参数同一套测试就都能跑一遍。同样把口径说清我没有复现这些测试。上面的数字全部来自 OpenRouter 的原文我的改动只是把示例代码整理了一下并加上成本打印。六、按角色分配模型比选一个最强更划算原文给出的选型建议很简单也很实用默认用 Sonnet 5.5。它在两个基准上不低于 Opus在全部编码测试上打平单价便宜一半。高频任务用 Haiku 5.5——分类、抽取、路由、子智能体、批量改代码这类。它在测试里全部通过成本是 Sonnet 的 1/12 到 1/16是 Opus 的 1/19 到 1/30。前提是把提示词控制在 10 万 token 以内才能守住低档价格。长任务、模糊任务、错一次代价高的任务留给 Opus 5.5。原文也很诚实地承认他们测试的都是短任务没有覆盖 Opus 被设计来做的长程 agentic 编码所以那里的优势不能排除。在 Claude Code 里可以直接按角色拆分模型原文给了四个环境变量export ANTHROPIC_DEFAULT_OPUS_MODELanthropic/claude-opus-5.5 export ANTHROPIC_DEFAULT_SONNET_MODELanthropic/claude-sonnet-5.5 export ANTHROPIC_DEFAULT_HAIKU_MODELanthropic/claude-haiku-5.5 export CLAUDE_CODE_SUBAGENT_MODELanthropic/claude-haiku-5.5这四个变量只决定每个名字指向哪个模型不决定你实际用哪个。要让 Sonnet 成为主模型得在会话里执行 /model sonnet或者启动前设置 ANTHROPIC_MODEL。想让 Opus 做规划、Sonnet 写代码用 /model opusplan。最后一行把子智能体默认指到 Haiku任何没有自己指定模型的子任务都会跑在便宜档上。还有一个容易漏的细节Claude Code 2.1.307 认 Opus 和 Sonnet 的 slug会给它们 100 万 token 上下文但它还不认 Haiku 的 slug默认按 20 万 token 处理。想给 Haiku 完整窗口要在 slug 后面加[1m]后缀OpenRouter 在路由前会把这个后缀剥掉。不加的话Haiku 会话会被压在 20 万 token 左右。这一条对做多档模型路由的人是个通用提醒模型名不只是一个标识上下文窗口这类元信息也要跟着走客户端不认识这个名字就会用默认值兜底而这个默认值往往是旧版本的。七、结论三档差距不在能力在成本和场景把这篇报告读完我自己的收获是三点。其一在明确的、有测试可验的任务上同代际的三档模型差距很小小到测试集本身的分辨能力都不够用。这种情况下先按成本选。其二真正区分三档的是任务长度和失败代价。短任务、结构清晰的活便宜模型能干长任务、需求模糊、错一次要回滚重来的活贵模型值那个钱。这个判断标准比看榜单分数靠谱。其三成本核查要自己做。客户端显示的成本可能错几十倍第三方面板的统计口径也可能和你的账单不一样。按请求返回的 usage 字段自己算一遍是最省心的做法。