如何选择模型与推理强度
一句话总结：
常规编码用 Sol Medium > GLM-5.3 High > DeepSeek V4.1 Flash High > GLM-5.3 Flash High；
较难的编码任务用 Astra Low；
方案设计和探讨用 Astra High；
个人试验及大批量文本、数据处理用 Luna Max。
最近在做可视化 Agent，涉及大量开发任务和测试，Token 完全不够用。目前自己买了每月 200 美元的 ChatGPT 套餐，有一个没有周额度限制的 GLM 老套餐，还买了 OpenCode Go，但感觉仍然不够用。尤其是 GPT，虽然已经买到 200 美元，额度还是经不起这样消耗。
所以需要把手头几个模型的能力搞清楚。Codex 里的日常编码该用哪档，已有的 GLM 套餐和 OpenCode Go 又能分担哪些任务，都要看完整任务的结果。这篇主要比较 GLM-5.3、GLM-5.3-Flash、DeepSeek V4.1 Flash，以及 GPT-5.6 的 Luna、Terra、Sol 和 GPT-6 Astra。
前面已经写过一篇《如何正确使用 GPT 模型的推理强度》，这次把范围扩展到几个我目前实际能用的模型上。
前面比较模型时，我把注意力放在了综合分和 Token 价格上。但交给 AI 的通常是一项需要独立完成的工程任务，不是一段指定好位置的代码。任务里可能有依赖关系、修改范围、验收条件和测试命令。Agent 要自己找代码、处理竞态、运行测试，失败后还得判断是实现错了、环境错了，还是一开始理解错了需求。只看综合分或每百万 Token 的价格，很容易选错模型。
拿一项图表生命周期修复来说，任务要求复现“旧请求慢、新请求快”的竞态，处理 ready 前销毁和重复销毁，在真实浏览器里确认资源释放，还要保证旧 API 没被改坏。把其中某个函数写出来，只算完成了一小步。这样的任务决定了下面的比较应该先看 Agent 能否把整件事做完。
先确定要比较什么
我用的是订阅套餐，GLM 的老套餐没有周额度限制，非常给力。能稳定完成的批量工作可以交给 GLM；在 Codex 里做日常编码，则要考虑 GPT 各档的实际消耗。OpenCode Go 可以再分担一部分工作，不过它也有自己的额度限制。Go 用量说明
当然，便宜模型反复改不好，最后还要 GPT 重新读代码，也不划算。我想找到的，是哪些工作可以放心分出去，哪些最好一开始就给强模型。
公开评测可以先帮我筛掉明显不合适的配置，不过这些名字测的不是同一件事：
| 评测 | 主要让 Agent 做什么 | 对我选模型的意义 |
|---|---|---|
| Terminal-Bench 4.0 | 在终端里完成任务，包括配置环境、运行命令、处理失败并通过测试；任务不全是改代码 | 看它能否自己把多步骤工作做完 |
| DeepSWE v1.1 | 在已有代码库中完成软件工程任务，提交修改，再由验证程序检查 | 看它能否把仓库改对 |
| SWE-Atlas-QnA | 追踪代码并回答仓库里的技术问题，不要求提交修改 | 看它能否先读懂现有系统 |
| AutomationBench-AA | 通过 API 操作多个应用，完成跨应用流程 | 看工具调用与流程执行；它不是代码修改测试 |
| AA Intelligence Index | 汇总编程、Agent、知识和推理等多类题目 | 看综合能力，不能把总分当成工程任务成功率 |
前三项构成 Artificial Analysis 的 Coding Agent Index v1.5，各占三分之一；AutomationBench-AA 和 Terminal-Bench 也进入了更宽泛的 Intelligence Index。对我的开发方式，Terminal-Bench 和 DeepSWE 比普通代码题更有参考价值。但 Terminal-Bench 还包含系统管理、机器学习等任务，不能直接把它的通过率当成我的项目成功率，也没有依据给它一个固定权重。
原来的综合分仍然有用，只是应该往后放。下面是 2026 年 9 月 21 日在同一个 Artificial Analysis 模型评测 口径下查到的几组配置。表里的“单任务成本”来自 AA Intelligence Index 的评测用量，不是我订阅套餐里的实际扣量，也不是完成我手上一项工程任务的费用。
| 模型配置 | 综合分 | Terminal-Bench 4.0 | AA 单任务成本 |
|---|---|---|---|
| GPT-5.6 Luna Max | 37 | 12% | $0.18 |
| GPT-5.6 Sol Medium | 39 | 15% | $0.50 |
| GPT-5.6 Sol High | 42 | 21% | $0.81 |
| GPT-5.6 Sol Max | 47 | 40% | $1.99 |
| GPT-6 Astra Low | 46 | 42% | $0.82 |
| GLM-5.3 Flash（AA 当前配置） | 42 | 33% | $0.25 |
| GLM-5.3 Max | 45 | 42% | $2.01 |
| DeepSeek V4.1 Flash Max | 39 | 27% | $0.27 |
来源：Luna 与 GLM Flash、Sol 各档、Astra Low 与 Sol High、Astra Low 与 Sol Max、DeepSeek 与 GLM Flash、GLM-5.3 与 Luna。不同日期、版本、Agent 客户端和测试设置会改变分数，不能把不同榜单的百分比拼成一张“模型真实能力排名”。
我之前主要盯着“Flash 和 Sol High 都是 42 分”。现在更想问：面对完整任务，模型能否自己发现错误、重跑验证并交出可检查的结果？Luna Max 的综合分与 Sol Medium 只差两分，Terminal-Bench 是 12% 和 15%；与 Astra Low 的差距更大。Luna Max 便宜，但把一项需要长时间自主排查、反复测试的独立任务交给它，容易把省下的额度变成返工和人工接手。这类任务不应该只凭“能写代码”就分配给 Luna。
还有一层不能省略：评测对象应该是模型、推理强度、Agent 客户端和任务环境的组合。 DeepSeek 官方模型卡里，同一模型在不同客户端上的 DeepSWE 成绩从 74.2% 到 65.5%。我在 Codex、OpenCode 或 ZCode 里切换模型，工具、上下文和执行方式也会一起变。公开跑分只负责提供候选，真正要比较的是一次通过验收需要多少时间、额度和人工接手。
只看综合分会漏掉什么
最初看 Intelligence Index 综合分，GLM-5.3 Flash、Sol High 和 Terra Max 都在 42 分附近，容易让人觉得它们能互换。但同名的 High、Max 在不同厂商之间并不代表相同的推理预算，综合分相同也不能推出独立完成开发任务的能力相同。
比如 Flash 和 Sol High 都是 42 分，但 AA 的 Terminal-Bench v4.0 分别是 33% 和 21%，专业文档测试 GDP.pdf 则是 15% 和 28%。同分，强项差了不少。做终端任务和读复杂文档，就不该照着同一个等号选模型。分项对照
GLM Flash 分担批量开发
我最关心的是页面、UI 和可视化。这个方向上，Flash 有一个很实用的优势：原生支持视觉输入，可以直接看截图和渲染结果。GLM-5.3 本身是文本模型，换成完整版时反而要注意这件事，别把需要看图的工作一起换过去。Flash 官方说明、GLM-5.3 模型信息
Arena 9 月 11 日的 WebDev 榜里，GLM-5.3 Max 是 1614±11，Flash 是 1607±12，分别有 3,725 和 2,925 票。两个区间重叠，在这组网页偏好测试里还看不出完整版有明显优势。这个结果比较符合我想先把页面工作分给 Flash 的方向。Arena WebDev 榜
常规编码如果要从 Codex 转到 GLM 套餐，我会先选 GLM-5.3 High。Flash High 排在后面，适合已有组件模式下的功能修改、小 Bug，以及需要直接看页面截图的任务；带明确验收命令的批量任务，也值得让它完整做一次。跨模块故障、仓库级重构这些工作，保留 GLM-5.3 来处理。我没有准备把完整版完全换掉。
至于 High 还是 Max，社区的反馈正好相反。一篇讨论里，用户觉得 High 在自己的环境中更好用；另一篇里，用户说 High 只修了指出的问题，漏掉同一个脚本下面的同类 Bug，换 Max 后才检查完整。High 讨论、Max 讨论
Z.ai 官方推荐 Max。在 GLM 套餐内，我准备先用 Flash High 承接批量任务，看看是否会频繁返工。如果问题已经理解对了，只是分析和检查不够，可以试一次 Max；如果一直没搞清楚模块关系，就换 GLM-5.3 High。换了完整版还有具体难点，再考虑 Max。官方参数建议
这里还有一个容易配错的地方。GLM-5.3 和 Flash 只有 Low、High、Max 三档，官方仓库说明，不传参数或传入其他值会回落到 Max。GLM 参数说明
DeepSeek 要连着客户端一起看
DeepSeek V4.1 Flash 的 Agent 跑分很高，我准备让它分担代码修改、命令行排查和测试修复。不过，要注意这些成绩是在什么环境下跑出来的。
它的官方模型卡列了同一个模型、最大推理强度，在不同 Agent 框架下的 DeepSWE v1.1 成绩：
| Agent 框架 | DeepSWE v1.1 |
|---|---|
| mini-SWE | 74.2% |
| DeepSeek Harness Minimal | 72.6% |
| Claude Code | 69.8% |
| Pi | 66.2% |
| Codex | 65.6% |
| OpenCode | 65.5% |
来源：DeepSeek 官方模型卡。
74.2% 到 65.5%，差了 8.7 个百分点。只看最高分，很容易觉得它已经可以替代 Sol 的最高档；但得把客户端这一层算进去。这个表也说明，仅仅把模型换强，未必能得到榜单里的效果。
实际使用反馈里，有位用户通过 Pi 和官方 API，让 DeepSeek 把旧 Kindle 改成时钟、天气显示设备。他说模型在 Max 下不断改脚本，始终没有识别出路由器客户端隔离造成的连接问题。用户记录
我更在意这个具体的失败方式：模型一直有动作，却没有重新检查原因。如果遇到这种情况，就应该停下来重新排查，继续加 Token 不一定有用。也不能凭这一个案例就认定 DeepSeek 不会做复杂分析。
目前先把它放在步骤比较明确、能不断拿到工具反馈的执行任务上，常规编码用 High。客户端如果展示数字推理参数，要先查清 High 的实际映射；遇到难点再考虑 Max，不能直接拿 GPT 的档位来套。它在 AA 的 AutomationBench 表现不错，Terminal-Bench 4.0 却低于 GLM Flash；这也是我想让两者拿同一批真实任务做比较的原因。AA 分项对照
GPT 编码用 Sol Medium，难题用 Astra
在 Codex 里做编码，我会把 Sol Medium 作为大部分任务的起点。它适合按现有架构开发功能、修 Bug、运行测试。遇到明显的难题，先考虑 Astra Low，而不是习惯性地把 Sol 调到 High。
这里依据的是 AA 评测任务按实际 Token 用量折算的成本：Sol Medium 每任务约 $0.50，Sol High 约 $0.81，后者约为前者的 1.6 倍；Astra Low 约 $0.82，与 Sol High 基本相同。同一口径下，Astra Low 的 Terminal-Bench 4.0 为 42%，Sol High 为 21%。这些不是我的 Codex 套餐扣量，也不能据此保证 Astra 在每个项目都更省，但足以改变默认升级顺序。
| Astra 档位 | AA v4.3.2 分数 | AA 加权每任务成本 |
|---|---|---|
| Low | 46 | $0.82 |
| Medium | 50 | $1.54 |
| High | 51 | $1.73 |
| XHigh | 52 | $2.31 |
| Max | 53 | $3.26 |
来源：Astra 分档数据。美元数是 AA 按评测用量计算的成本，不是我的订阅扣量。
再往上看，Astra Medium 是 50 分、$1.54；Sol Max 是 47 分、$1.99。在这套评测里，高档 Sol 也未必比 Astra 的中档更合算。Sol 分档数据、Astra 与 Sol 对照
从 Low 到 Max，综合分增加了 7 分，评测中的单任务成本接近四倍。当然，整数总分会掩盖单项差别，不能只凭这组数决定每项任务用哪档。但对我这种额度紧张的情况，没有理由一上来就常驻 Max。
Astra 的社区反馈也不是一边倒。有人说它解决了 Sol 多次没解决的问题；也有人觉得普通编码区别不大，额度却掉得更快。看这些讨论时，我更想知道前者到底卡在什么问题上，而不是把“更聪明”当成所有任务都升级的理由。Astra 与 Sol 的讨论
我的安排是：大部分编码从 Sol Medium 开始；跨模块排查、复杂状态关系或前一档已经卡住的任务，直接用 Astra Low。方案设计和探讨用 Astra High，尤其是可视化 Agent 的关键架构和错误代价很高的根因分析，不让几个便宜模型轮流猜。XHigh 直接跳过，Max 留给还没解决的具体难点。Astra 的 API 支持这五档；Codex 里的 Ultra 还会涉及自动委派，适合有独立工作可以拆开的任务，不需要为了“多想一会儿”就开它。Astra API、Codex 模型说明
Luna 和 Terra 也不必从选择里删掉。Luna Max 更适合个人试验，以及输入输出容易检查的大批量文本和数据处理；已经在 Codex 里建立好上下文，顺手搜代码、整理文档，也可以继续用 Luna。普通开发如果已有 Terra 上下文，可以继续完成。但独立编码任务的默认档仍是 Sol Medium。
实际使用时怎么选
选模型时，我现在先问这项任务有多依赖 Agent：常规编码先用 Sol Medium；需要换到其他客户端或分担额度时，依次考虑 GLM-5.3 High、DeepSeek V4.1 Flash High、GLM-5.3 Flash High。需要长时间探索仓库、处理意外、反复验证的难题，直接考虑 Astra Low；方案设计和探讨用 Astra High。个人试验和容易验收的大批量文本、数据处理交给 Luna Max。这个顺序是当前的使用判断，不是从某个单项榜单直接算出来的。
最该避免的是把“独立任务”误当成“小改码”交给 Luna Max。前面的图表生命周期任务，修完代码还要复现竞态、跑真实浏览器、确认资源释放和旧接口回归。Luna 可以协助找文件、写局部测试；让它独自负责整项任务，仅凭便宜就放心放手，省下的额度很容易花在返工上。任务的 Agent 依赖越强，越要看完整交付能力。
另一个容易犯的错误是按档位机械升级：Sol Medium 遇到难点就调 Sol High，再不行才换 Astra。AA 的单任务成本里，Sol High 已经接近 Astra Low。如果问题需要的是更强的探索、判断和错误恢复，我会直接换 Astra Low；只有在明确知道 Sol High 对这类任务更合适时，才选择它。公开评测只是做这个判断的起点，不能替代自己项目的验收结果。
比如同样是在做可视化 Agent，确定关键设计时，可以直接让 Astra 分析；方案明确后按现有模式实现功能、运行测试，就用 Sol Medium，或交给已经验证过的 GLM、DeepSeek 配置。实现过程中发现原方案有问题，再把那个问题交回去。交接时留下目标、关键文件、已经做过的判断和失败现象，不用把整段聊天搬过去。
这也要求先分清楚模型卡在哪里。缺日志，就先拿日志；不知道页面应该长什么样，就先补参考和标准。模型已经理解了材料，但推断遗漏，可以提高一次 effort。要是它反复沿着错误方向修改，就换模型或重做方案。我先给自己设一个简单限制：连续两次没有实质进展，就停下来检查，不让它自动重试下去。
测试这一步也不能只按名称分配。运行现有测试很明确，判断这些测试有没有漏掉重要行为，就难得多。页面最终还得渲染出来，交互得真的操作，图表得对照原始数据。
目前还没用自己的任务测出哪一组配置最省。接下来先拿同一批真实编码任务比较 Sol Medium、GLM-5.3 High、DeepSeek V4.1 Flash High 和 GLM-5.3 Flash High；复杂任务再看 Astra Low。Luna Max 用在个人试验和可批量检查的文本、数据处理上。记录是否通过验收、耗时、消耗额度、人工介入和升级次数。尤其要记下最后又交回 GPT 的任务：究竟是模型能力不够，还是一开始就没把问题说清楚。只有算上返工和交接，才知道哪一档是真的便宜。