先说结论：90%的人用GPT跑日常任务，是在烧钱买个心安。
我不信邪，做了个盲测。方法：
- 同一批45个任务：摘要20 + 代码10 + 改写15
-
- 便宜模型（flash系）和GPT系各跑一遍
-
- 找两个不知道来源的人分辨哪份是GPT写的
结果
| 任务类型 | 总数 | 分不出来的 | 能分出来的 |
|---|---|---|---|
| 摘要 | 20 | 18 | 2（长文摘要逻辑断层） |
| 代码 | 10 | 5 | 5（多步推理边界case） |
| 改写 | 15 | 15 | 0 |
38/45 分不出来。能分出来的7个全是复杂推理和多步代码。
成本对比（同一批任务）
| 模型 | 总成本 |
|---|---|
| 低价flash | ¥0.31 |
| flash标准 | ¥0.44 |
| v4-pro | ¥1.12 |
| gpt-6.1-sol | ¥0.89 |
差3.6倍的钱，买到的是剩下7个任务的差距。
所以最优解不是二选一，是分层
flash(便宜) → pro(中档) → GPT系(贵) 70%任务 20% 10%硬活
写成自动路由（降级链）：便宜模型在前，失败/超时自动切下一档。生产环境跑了几个月，账单降一半，还顺便扛过了两次单家限流。
50行实现，Python/Node双版，MIT开源：
盲测的三个注意点（别学我第一次踩的坑）
- 样本要分层：全拿摘要测，结论会是“便宜的都行”——错的
-
- 评测者至少2人：单人盲测噪声太大
-
- 记录置信度：“不确定”单独算，不算“分不出”
下一篇写《流式输出的降级策略》。觉得有用点个赞，issue看到就回。
