先看四行数字。这是 Terminal-Bench 2.1 公开榜单上的成绩，准确率旁边多了一列成本：
Claude Code + Fable 5：成功率 83.8%，成本 552.67 美元
Codex + GPT-5.5：成功率 83.1%，成本 2059.19 美元
Codex + GPT-5.6 Terra：成功率 78.4%，成本 421.15 美元
Codex + GPT-5.6 Luna：成功率 75.7%，成本 241.45 美元
前两行，分数只差 0.7 个百分点，账单差出将近 4 倍。后两行，Luna 比 Terra 低 2.6 分，价钱却便宜一半。分数和账单，已经不成正比了。新智元
这是基准测试环境里的评测成本，不是你我的月度账单，但它暴露的问题是一样的：用"每百万 token 多少钱"给 AI 编程工具定价的时代，快结束了。现在该问的是：让它把一件事做完，到底要花多少。
发生了什么：官方只降价 20%，账单却少八成
8 月 24 日，OpenAI 和 AWS 公布了一项联合测试结果：GPT-5.6 Terra 在 Kiro（AWS 的开发智能体平台）里，于 Terminal-Bench 2.1 上"每成功完成一个任务的成本"降低了约 82%。知乎
而 Terra 最近一次官方调价是 7 月 30 日，幅度只有 20%。新智元中间多出来的那六十多个百分点，是从哪省出来的？
答案是弯路钱。
Agent 写代码和自动补全不是一种花钱方式。智能体把任务做砸一次，账单照记；中途选错路径、跑偏三轮再回头，这些 token 也照收。OpenAI 官方把效率拆成三层：发起请求、组织上下文的智能体框架，中间调度请求的编排系统，最后才是 GPU 上跑的模型本身。还有一层省法叫模型分工：先用高档位的 Sol 把问题想清楚、把计划定下来，再换轻量的 Luna 去实施改动、写测试、跑评估，同一条流水线上不同环节配不同档位的智能。
Kiro 本身是 spec-driven 的：不许上来就写代码，先把含糊的需求拆成需求文档、技术设计和任务清单，再加两道闸——代码真正修改前停下来让人过一眼，活干完后自动跑一轮测试。每拦下一次返工，省的都是真金白银。
你算过的账，可能只算了第一层
社区里早就有人开始算账了。小红书上有帖子把各家订阅和 API 统一折算成"每 1 亿 token 花多少人民币"来排序。小红书也有人晒出用 Claude 加 DeepSeek 写网站、五个小时烧光六十多块钱的血泪教训。小红书
这些算法都是第一层账：token 单价。但这次榜单暴露的是第二层：每成功任务成本。
单次调用价格决定每一步多贵，弯路、重试、失败和返工决定你要走多少步。单价便宜但天天跑偏的，总账单可能比单价贵但一次走对的高得多。8 月 25 日知乎上一篇专门拆解此事的文章说得清楚：82% 证明的是"组合优化有机会省钱"，它不是降价公告。
82% 别直接带进你的预算表
这 82% 得捏着看，它至少有五个限定条件：
只代表 Terra，不代表 GPT-5.6 整个家族；
只在 Kiro 里成立，模型没有脱离工具、提示词和工作流；
只代表 Terminal-Bench 2.1 的命令行任务场景，不自动覆盖你的遗留仓库、微服务依赖和团队交付标准；
分母是"成功任务"，失败烧掉的钱全在分子里；
这是 OpenAI 和 AWS 的联合测试，不是独立第三方复现，而且没公布比较基线、绝对成本和样本细节。
所以正确的姿势是：把 82% 当成去做一组对照实验的理由，而不是写进预算表的依据。知乎
四步重算你自己的账
与其围观别人的百分比，不如给自己算一次：
第一步，固定任务集。从自己的待办里挑一组边界清楚的真实任务：新功能、跨文件修改、缺陷修复、测试补齐，别只挑 AI 擅长的。
第二步，定义成功。"代码能跑"不算成功，至少要满足：需求对上了、测试通过、审查能过、一周内不返工。
第三步，记全成本。模型用量、失败尝试、工具调用、你人工审查花的时间，一样都不能漏。有人让 AI 跑一个长程任务，AI 预估执行 5 天，实际跑了两天半，最后一算花了 2000 多块——失败尝试的钱，不能从账本里消失。小红书
第四步，看三个数。任务成功率、每成功任务成本、达到成功花的时间。只盯其中一个，总会被质量、成本或速度里的某一项骗到。
谁该动，谁先别动
自己掏订阅的个人开发者：不用急着换平台。Kiro 这套真正值得抄的不是模型，是流程——先把规格写清楚再动手，关键节点设闸，重模型做规划、轻模型做执行。账单上最大的漏洞是返工，这三件事都能堵。真想试 Kiro 加 GPT-5.6 的先看清楚门槛：目前只对 Pro 及以上用户渐进开放，区域只有美国弗吉尼亚北部和法兰克福，而且思维链是隐藏的，你看不到它的推理步骤。新智元
准备采购的团队：把评估标尺从 token 单价换成单位产出，质量、成本、速度、责任边界并列进评估表。行业风向也在变：AWS 已经把三档 OpenAI 模型和 Claude 并排塞进了同一个模型选择器。知乎上也开始出现"亚马逊内部推广 Kiro、限制 Claude Code 对员工效率有何影响"这样的讨论。知乎两家前沿模型在同一个采购清单里互相压价，这在一年前很难想象。
先观望的人：留三个观察信号——有没有独立第三方复现 82%、Kiro 何时全量开放并扩大区域、Anthropic 怎么接成本这个话题。大背景是整体环境在变贵：DeepSeek 刚大幅涨价，OpenCode 的 CEO 都出来解释成本了。连 Rust 社区都在给 AI 编程立"能用多少"的新规。36氪
最后说一句：以前买 AI 编程，问的是"这个模型每百万 token 多少钱"；现在该问"让它把这件事做完，我要花多少"。一句话的差别，账单能差出 4 倍。已经有像 KiloBench 这样的新基准，公开质疑每百万 token 定价反映不了用户实际支出。知乎计价口径的迁移，可能才刚刚开始。
