每任务成本（Cost per Task）

什么是每任务成本

每任务成本（cost per task）指完成一条真实任务要花多少钱，而不是每百万 token 报价多少。

两者差在三处，任一处都足以让排序反转：

1. 失败也要付钱。一次没做成的尝试照样消耗 token，所以真正该看的是「成功那一次的钱 × 平均试几次」。
2. 上下文开销不是常数。同一句需求，有的 harness 首次调用就带 10 倍上下文。
3. 人工收尾也是成本。Agent 交付了 70%、剩下 30% 由人补，这部分工时不在任何 token 账单里。

站内讨论 Agent 完成度时反复遇到同一组数字：Co-Design Bench 上最强模型「平均通过 69.9% 的验收标准，但只有 26.4% 的任务全对」——如果按「全对」交付，分母就是 26.4% 而不是 69.9%，成本立刻翻两倍多。详见 Co-Design Bench。

三种口径，别混用

三者的差别在分母有多严。分母越严，数字越大，也越接近「我到底要掏多少钱」。

实测：按任务重排，榜单几乎反转

Real-SWE 在真实企业私有代码库上跑了 8 个前沿组合，同时公布解决率、单次成本与每解决任务成本——这份数据之所以值得反复引用，是因为它把分母摆出来了：

三条读法：

• 单次最便宜的，按任务算仍然最便宜（Gemini 3.8 Flash $8.01），但差距从 2.8 倍缩到 2.2 倍——单价优势会被成功率吃掉一部分。
• 单次最贵的，不一定按任务最贵：Kimi K3 单次 $3.90 比 Fable 5.1 的 $6.96 便宜四成，但解决率只有 18.8%，每解决一任务 $20.74 反而是全表最贵。
• 分母不严时更夸张：如果按 Co-Design Bench 那种「全对才算完成」的口径，26.4% 的分母会让同类成本再翻一倍以上。

口径提示：上表「每解决一任务成本」= 单次成本 ÷ 解决率，由 THE DAILY BRIEF 计算；榜单未说明单次成本是否计入 prompt caching，美元列只作方向性参考。完整数据与失败模式分析见 Real-SWE 资讯。

harness tax：成功率不动，成本最多差 5 倍

同一组 21 个模型 × harness 组合的测试结论值得单独记：harness 几乎不改变成功率，但成本最多差 5 倍。

原因不神秘——首次调用携带的上下文规模不同。Claude Code 首次模型调用带的上下文是极简 harness Pi 的 10 倍，这 10 倍在每一次 rollout 里都要重新付一遍。

这条结论和 Agent Harness 里的另一组数据互补：那边测的是 harness 对分数的影响（同一模型换 harness 能差 18.9 个百分点），这边测的是对成本的影响（5 倍）。合起来看：换 harness 可能在不动模型的前提下同时改分数和账单，而且方向不一定一致。

怎么算：一个可复用的算法

每任务成本 ≈ (单次输入 token × 输入价 + 单次输出 token × 输出价 + 缓存读写费)
            ÷ 任务成功率
            + 人工收尾分钟数 × 你的时薪 ÷ 60

算例（数字仅用于演示口径，非厂商报价）：某任务单次消耗输入 80 万 token、输出 4 万 token，模型 $8/$40：

• 单次成本 = 0.8 × 8 + 0.04 × 40 = $8.00
• 若成功率 30% → 每任务成本 = 8.00 ÷ 0.3 = $26.7
• 若人工收尾平均 20 分钟、时薪折 $60 → 再加 $20
• 真实每任务成本 ≈ $46.7，是「$8 一次」这个直觉的 5.8 倍

这个算例的意义不在数字，而在暴露两个最常被忽略的乘数：成功率倒数、人工时间。

常见坑

• 只统计成功的任务：把失败 rollout 的账单丢掉，等于人为压低分母。
• 用标价代替实付：缓存命中率高的长会话，实际输入单价可能只有标价的一小部分；反过来，高变更频率的上下文会让缓存写比输入还贵。见 提示词缓存。
• 忽略收尾成本：Agent 交回「70% 完成」时，剩下 30% 往往是最费人的部分。
• 跨 harness 比价：不同 harness 的上下文注入策略不同，同一模型能差出数倍。
• 拿厂商标称的分母：厂商公布的「每任务成本」通常用自家 harness、自家任务集、自家成功率口径。只能同表内比，不能跨表比。

选型时怎么记

建议每个候选组合记一行，四项缺一不可：

四行数据比任何排行榜都有用，因为它用的是你自己的任务分布。

相关阅读

• 概念：Agent Harness · 提示词缓存 · Agent 结果核验 · Reward Hacking
• 基准：SWE-bench · Terminal-Bench
• 数据：Real-SWE 私有代码库基准 · Co-Design Bench
• 模型：Claude Fable 5.1 · Meta Muse Wonder
• 资讯：Meta Muse Ember：把每任务成本当卖点

来源

• ⭐ Real-SWE：私有代码库基准与每解决任务成本（本站资讯，含完整榜单与 harness tax 结论）
• ⭐ Co-Design Bench：任务全对率 26.4%（本站资讯，验收标准口径）
• Claude Code v2.1.321 Release Notes（Fable 5.2 定价 $8/$40、缓存读 $0.20，一手）
• Meta releases Muse Ember（TechCrunch，2026-11-09，以每任务成本为定价话语）