Claude模型选型完全指南：别看单价，看"单任务总成本"

打开Claude的模型列表，很多人的第一反应不是兴奋，而是困惑：

Mythos、Fable、Opus、Sonnet、Haiku——这么多名字，到底有什么区别？写代码用哪个？做客服用哪个？是不是越贵越好？

2026年7月24日，Anthropic发布了一篇模型选型指南，系统介绍了Claude不同模型等级的差异，以及企业和开发者该如何为具体任务挑选模型。这篇文章最重要的不是把五个名字从强到弱排一遍，而是纠正了一个常见误区：选模型，不能只看每百万Token的价格，也不能只看排行榜。真正应该比较的是——一个模型完成整项任务，需要付出多少时间和总成本。

上图说明了一个核心道理：小模型Token单价便宜，但可能反复尝试8次都没修好Bug，加上返工成本，总花费¥1260；强模型单价贵，但2次交互搞定，总成本只有¥180。表面便宜，实际更贵。

一、先搞懂三个基础概念

1. 模型是什么？

把AI模型理解成一个经过大量训练的"数字大脑"。同一家公司的不同模型，不是面向不同职业的专用工具，而是能力、速度和成本不同的产品等级。就像同一个汽车品牌既有高性能旗舰，也有兼顾油耗的日常车型。

2. Token是什么？

Token是大模型处理文字的基本单位，不完全等于"一个字"或"一个单词"，但可以先理解成模型读取和生成内容的计量单位。API通常按输入和输出的Token数量计费，所以很多人直接比较"每百万Token多少钱"。但这只是单价，不等于完成任务的总价。

3. Effort Level是什么？

Effort level决定你允许模型为一个问题投入多少"思考力"。

因此，选型不只有"用哪个模型"这一维，还包括"让这个模型思考到什么程度"。同一个高等级模型使用较低effort，有时会比小模型使用高effort更高效。

二、Claude五类模型：一张图看懂

Claude当前模型家族分为五类，从上到下能力递减、速度递增：

| 模型 | 核心定位 | 适合场景 |
|------|---------|---------|
| Mythos | 能力最强的前沿模型 | 高难度编码、长时间Agent、双重用途安全与生物工作 |
| Fable | 同底层模型+公众安全保护 | 需要顶级能力、智慧、创造力和写作，面向公众场景 |
| Opus | 高强度推理型企业任务 | 复杂知识工作、Agent编程，质量高且兼顾速度和价格 |
| Sonnet | 性能/成本/速度最均衡 | 日常工作、客户高频任务、多Agent系统中的子Agent |
| Haiku | 最快、成本最低 | 延迟和成本敏感的高频稳定任务 |

Mythos与Fable：同一底层模型，两种安全封装

Mythos是Anthropic能力最强的模型类别，尤其擅长编程、长时间Agent任务和解决过去AI无法稳定完成的问题。

Mythos和Fable实际是同一个底层模型的两种产品形态：

两者都要求采用有限数据保留机制。Mythos存在明确的访问限制，不是所有用户都能直接选择。

Opus：企业级复杂推理主力

Opus在两个代表性行业基准中持续领先：GDPval-AA（知识工作能力）和Terminal-Bench 2.1（Agent编程能力）。

Opus和Fable都擅长编程、Agent和知识工作，怎么选？Anthropic的区分很有意思：即使基准分数相近，Fable在真实工作中往往表现出更多的"智慧"、创造力和写作能力。

选择规则：如果Opus在部分任务上仍然吃力，就升级到Fable；如果Opus已经达到质量标准，那它在速度和价格上更合适。 不要因为Fable更强就默认所有工作都用Fable——能力超过业务要求之后，继续增加能力未必有足够回报。

Sonnet：最均衡的日常主力

Sonnet覆盖面最广，在能力、成本和速度之间取得平衡。适合大量日常工作，也适合客户直接面对的高频应用。在多Agent系统中，Sonnet可以承担大量"子Agent"工作：由一个总负责人拆解任务，再让多个Sonnet实例分别搜索资料、检查代码或执行子任务。

Haiku：追求速度和低成本

Haiku是最快、成本最低的模型类别，面向调用频率高、对延迟和成本敏感的工作负载。但前提是：你已经通过评测确认它能稳定达到业务标准。便宜但频繁出错的模型，最终可能通过人工返工、重复调用和客户流失制造更高的隐性成本。

三、别按"行业"选，要按"问题难度"选

一个常见错误是：金融应该用某个模型、科研用另一个、编程又必须用某个固定型号。Anthropic明确表示不建议按行业划分。

Claude各个模型类别都接受了编程、Agent任务和知识工作等方面的训练。它们最主要的区别不是"专业方向不同"，而是：这个模型能稳定扛住多难的问题，以及你需要为这种能力付出多少价格和等待时间。

同一家金融公司完全可能同时使用多个模型：

模型不是按部门"一刀切"分配的，而应该按任务分层。

四、选模型必答的四个问题

Anthropic将模型选择归结为四个核心问题：

问题一：任务到底有多难？

如果一个任务通常需要人类投入大量时间，包含多个相互依赖的步骤，或者过去一直没被AI稳定解决，就应该优先考虑能力更强的模型。

判断难度时，不要只看输入文字有多长。 一个只有两句话的数学证明可能很难，而把一万条格式统一的数据分类可能并不难。

问题二：对响应速度有什么要求？

如果模型位于面向客户的高频流程中，用户需要即时看到结果，延迟非常重要——Sonnet往往是较好的选择。如果任务在后台运行，用户不需要立即等待结果，可以接受更长的推理时间换取更高质量。

问题三：有哪些访问限制？

不是所有组织和员工都能访问所有模型。Mythos只对Project Glasswing下的组织开放；企业内部也可能基于数据安全、预算和岗位权限限制某些角色使用部分模型。"理论上效果最好"和"实际能够部署"是两回事。

问题四：这笔生意算得过来吗？

这就是unit economics（单位经济模型）：每完成一个业务单位，收入和成本是否合理。

比较时必须计算完整的单任务成本，包括：

只看API价目表，很容易做出一个"表面便宜、实际上更贵"的决定。

五、Effort：另一根调节杆

模型等级和effort共同决定质量、速度与成本。可以把它想象成两个旋钮：

通常来说：

Anthropic原文中的相关曲线只是概念示意，不是根据具体基准测试数据绘制的。它表达的是选型思路，不是可以直接套用的成本公式。

六、Advisor策略：让便宜模型干活，让强模型当顾问

除了只选一个模型，Anthropic还介绍了advisor strategy（顾问策略）：

这就像一个经验丰富的专家带着执行团队：专家不亲自处理每一个细节，而是在关键节点审查方向和结果。

实际数据：在SWE-bench Pro编程测试中，Sonnet 5作为执行模型、Fable 5作为顾问时，成绩与全程使用Fable 5相差不到10%，成本却只有全程使用Fable 5的63%。

当然，顾问策略也不是自动省钱。它更适合能明确设置审查节点、判断何时升级、以及衡量最终质量的流程。如果每一步都调用顾问，成本优势可能很快消失。

七、排行榜只能指方向，真正的答案来自自己的评测

判断模型能力是否足够，常见方法有两种：

1. 标准基准测试：方便横向比较

Benchmark是一组预先设计好的任务或场景，有已知答案，用来比较不同模型的能力。优点是统一、公开、容易横向比较。

但有一个明显局限：当Opus、Fable这类强模型几乎能解决测试中的所有问题时，分数就会接近满分，这叫benchmark saturation（基准饱和）。一旦饱和，两个模型在榜单上看起来差不多，但面对真实世界中更模糊、更复杂的问题，表现仍然可能有明显差异。

2. 自定义评测：用自己的真实问题考试

对于能力很强的模型，Anthropic更建议企业直接使用真实工作负载，或建立自己的评测集：

比如做AI客服，不要只看模型在通用知识榜单上的成绩，而应该拿真实的售后问题测试：能否正确理解公司规则？会不会做出未经授权的承诺？遇到信息不足时是否会主动询问？一次解决率是多少？

真正能拉开前沿模型差距的，往往正是这些开放、复杂且带有业务约束的真实任务。

八、给小团队的可执行选型流程

结合Anthropic的建议，整理成六步：

第一步：把"业务"拆成具体任务。 不要笼统地说"我们要做一个AI客服"或"我们要用AI写代码"。拆成可以单独评估的任务：分类、检索、生成回复、检查答案、执行操作。

第二步：定义什么叫"做对"。 为每项任务建立清晰标准。既要看正确率，也要看是否遵守格式、安全规则和业务限制。

第三步：选择起始方向。 任务复杂、失败原因不明确→先用最强的普遍可用模型建立质量基线；任务简单、调用量巨大、预算限制明确→从低成本模型开始逐级测试。

第四步：同时测试模型与effort。 不要只比较Haiku、Sonnet、Opus等型号，也要测试不同effort。记录完整的成功率、延迟、Token消耗、重试和人工返工。

第五步：按任务分层。 把稳定、简单、高频的任务交给较低成本模型；把复杂、低频、高价值的任务交给更强模型。必要时加入顾问模型，在关键节点检查计划和结果。

第六步：持续维护评测。 上线不是选型的终点。业务数据、模型版本和用户行为都会变化，评测集也要持续加入新的失败案例，并在模型升级时重新运行。

九、五条核心结论

如果只记住几个结论，记住下面五条：

十、总结

Anthropic这篇文章给出了一条非常清晰的主线：先理解不同模型的能力层级，再深入理解自己的任务；不要迷信Token单价和公开排行榜，而要依靠真实业务评测，计算完成整项任务的质量、速度和总成本。

AI模型选型没有一套适用于所有人的固定答案，这正是Claude提供多个模型类别的原因。但只要你遵循"先强后弱建基线、按任务分层选模型、用真实评测做决策"的原则，就一定能找到最适合自己业务的那套组合。

记住那句话：算总账，才更划算。