如何选择模型与推理强度
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。GLM、DeepSeek 能完成的工作，就尽量交给它们；GPT 的额度留给更值得投入的部分。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。
先看这些模型大约处在什么位置
我用的是订阅套餐，GLM 的老套餐没有周额度限制，非常给力。所以即使 GPT 某个模型的 API 单价也不高，只要 GLM 能把事情做好，还是优先用 GLM。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。
先拿公开跑分做个参照。下面是 2026 年 9 月 14 日查到的 Artificial Analysis Intelligence Index v4.3 数据。同一列表示相同的档位名称，不表示投入了相同的推理预算。
| 模型 | Low | Medium | High | XHigh | Max |
|---|---|---|---|---|---|
| GPT-5.6 Luna | 22 | 25 | 32 | 35 | 38 |
| GPT-5.6 Terra | 28 | 30 | 34 | 38 | 42 |
| GPT-5.6 Sol | 34 | 39 | 42 | 44 | 47 |
| GPT-6 Astra | 46 | 50 | 51 | 53 | 53 |
| GLM-5.3 | 缺数据 | 无此档 | 缺数据 | 无此档 | 45 |
| GLM-5.3-Flash | 缺数据 | 无此档 | 缺数据 | 无此档 | 42* |
| DeepSeek V4.1 Flash | — | — | — | — | 40，effort=100 |
来源：Luna、Terra、Sol、Astra、GLM-5.3、GLM-5.3-Flash、DeepSeek V4.1 Flash。
Flash 的 AA 页面没有单列 effort，按 Z.ai 要求用 Max 复现榜单的说明，暂放在 Max 栏。DeepSeek 支持 1—100 连续调节。GLM 的 Low、High 没查到完整的同口径测试，先留空。
这样看，GLM-5.3 Max 在 Sol XHigh 和 Max 之间；Flash 的榜单分数与 Sol High、Terra Max 相同；DeepSeek Max 则在 Sol Medium 和 High 之间。两个 Flash 都值得拿来承接一部分原本交给 Sol 的工作。具体分哪些，还要看它们擅长什么。
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 先做日常开发
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
已有组件模式下的功能修改、小 Bug、资料整理和方案初稿，也可以先用 Flash。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。我准备先用 Flash High 做日常默认，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。推理参数可以从 50 或 75 试起，遇到难点再试 100。客户端如果只显示 Low、High、Max，要先查一下实际映射，不能直接拿 GPT 的档位来套。
Astra 值得用，但不用每次都开 Max
加入 Astra 后，GPT 内部的选择也变了。以前碰到难题，容易想到把 Sol 往上调；现在还可以比较一下，直接换 Astra 的中档是否更合适。
| Astra 档位 | AA v4.3 分数 | AA 加权每任务成本 |
|---|---|---|
| Low | 46 | $0.82 |
| Medium | 50 | $1.54 |
| High | 51 | $1.72 |
| XHigh | 53 | $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。
Astra Medium 是 50 分、$1.54；Sol Max 是 47 分、$1.99。在这套评测里，换成更强模型的中档，比把 Sol 开到最高档还合算。Sol 分档数据
XHigh 和 Max 都显示 53 分，成本却继续增加。当然，整数总分会掩盖单项差别，这不能用来断言 Max 没用。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，普通复杂开发和方案比较使用 Astra Low，需要深入分析再升 High。可视化 Agent 的关键架构、复杂状态关系、疑难 Bug 的根因，直接考虑 Astra High。这类工作如果判断错了，后面会跟着做错很多事情，不值得为了省一点额度先让几个模型轮流试。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。已经在 Codex 里建立好上下文，顺手改一点东西、整理文档，继续用 Luna Low 或 Medium 就行；普通开发可以用 Terra Medium。没必要每次为了换套餐，把背景重新交代一遍。新开的批量任务，再优先交给 GLM 和 DeepSeek。
实际使用时怎么选
把上面的安排放进一棵树，选模型时方便看。这里给的是起点，后面还是看具体结果。
比如同样是在做可视化 Agent，确定任务边界和关键设计时，可以让 Astra High 来分析；方案已经明确，接下来按现有模式实现功能、运行测试，就可以分给 GLM 或 DeepSeek。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。接下来先观察 DeepSeek V4.1 High 和 GLM 5.3 Flash High 能接走多少工作，尤其记下那些最后又交回 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。