让你看懂钱是怎么花掉的

怎么算的：一个任务 = 一个会话 = 一件事做完（如「改一个功能」）。 先按场景算每一次请求的成本（输入 token × 输入价 + 输出 token × 输出价， 输入里可命中缓存的部分按缓存价计），再乘以这一档的轮数得到一个任务的成本。
两个维度是分开的：场景决定「每次请求有多重」，轮数决定「这件事要做几轮」。 一次往返的耗时由场景决定、不随轮数变化，所以每小时的花费与轮数无关， 轮数只影响「一笔预算能做多少个任务」。
参数出处：9 类场景的 token 与耗时为人工基准（当前假设见上方提示，悬浮可看）， 其中「编程智能体」来自站内实测（163 次请求 / $1.5869 / 一小时改真实项目）； 四档轮数来自 OpenRouter 会话成本榜的跨档实测比值。
缓存命中率 0.9 是我们的预估值，不是实测值。 取90% 的依据是公开实测——agent 与多轮场景普遍在 90% 上下 （Z.ai GLM-4.7 98.6%、Kimi K2.5 92.8%、GPT-5.5 92.7%）。
⚠️这个数会让结果偏向低估：命中率越高，缓存价（0.1×）占比更大，算出来的钱越少。 而且同款模型换供应商能差 4 倍（Opus 4.7：Anthropic 直连 79.1% vs Bedrock 仅 1.2%）， 低价位供应商常是 0%。你的实际命中率取决于用什么工具，请以自己账单为准。 无缓存价的模型一律按全价计，不受此值影响。
另一个偏差方向：上表用各模型的挂牌价。实际通过 OpenRouter 走不同上游时， 有效价与挂牌价差异很大，本站无法预知你实际会路由到哪一家。
固定汇率 1 美元 ≈ 7.2 元（与全站一致），月花费按 22 个工作日折算， 未含厂商阶梯折扣与 OpenRouter 等平台服务费。实际支出受使用方式影响较大，结果仅供决策参考。