摘要： AWS 在 2026 年 9 月 11 日以同一套開源評測框架，比較 Amazon Bedrock 上的三個 OpenAI 模型與兩個 OpenAI API 成本最佳化基準，計算答對一題或完成一件交付物的實際成本。結果顯示 Luna 在 Bedrock 降價後的 AIME 與 GDPval 成本特別低，而代理任務的輪數與重試會明顯放大帳單。AWS 也提醒 Bedrock 模型關閉推理、API 基準採預設值，且樣本數有限，只宜當方向參考。
挑生成式 AI 模型時，大多數團隊的比較單位都是同一個：每百萬 token 要付多少錢。這個數字被印在每一張定價頁上，於是也順理成章成了試算表裡唯一的欄位。但正式環境花錢買的並不是 token，而是一件完成的事——客服單結案、研究簡報交出、財務摘要正確。從定價頁走到成果之間，隔著幾層價格標籤沒寫出來的乘數：模型答對的比例有多高、答對之前燒掉多少 token；若是代理型工作負載，還要算它跑了幾輪才收手，因為每跑一輪，那份越長越大的對話就要再送一次。
AWS Machine Learning Blog 在 2026 年 9 月 11 日發布的這篇評測，處理的就是這幾層乘數。他們以一套開源評測框架，拿 Amazon Bedrock 上的三個 OpenAI 模型（gpt-5.6-luna、gpt-5.6-terra、gpt-5.6-sol）與兩個 OpenAI API 上常見的成本最佳化基準（gpt-5.4-mini、gpt-5.4-nano）相互對照；後兩者是刻意選來代表「多數團隊現在的起點」，而不是同世代的對等比較對象。
算出「答對一題要付多少」
AWS 的算法是把模型花在答對與答錯嘗試上的錢全部加總，除以答對的題數，得出「一次正確答案的觀察成本」。AIME 數學競賽題上，sol 解題率 75%，mini 為 37%；GPQA Diamond 為 68% 對 43%，MMLU-Pro 則是 82% 對 59%。
成本欄才是重點。luna 在原價時期（約 mini 的 1.5 倍）每題正確答案就已經便宜 25%——差別來自推理關閉後，它消耗的計費 token 少於採預設值的 mini。價格在 2026 年 7 月 30 日調整：Bedrock 上的 GPT-5.6 Luna 降 80%、Terra 降 20%；調整之後 AWS 記下的每題正確 AIME 成本，luna 為 $0.0021、mini 為 $0.0139。
結果檔裡採用的價格假設，AWS 也特別點出來：luna 是每百萬輸入／輸出 token $0.22／$1.32，terra 是 $2.20／$13.20；真正上線之前，請改看最新的 Bedrock 推論層級與區域定價頁。
代理的帳單取決於輪數
單次呼叫的定價，看不到代理型工作負載真正關鍵的地方。AWS 的框架把歷史交由客戶端管理，設定為 store: false：系統提示、先前的工具結果、整段對話上下文，每一輪都要重送。每輪上下文大致沿線性增長，累計的計費輸入就可能接近平方成長。
以 DeepSearchQA 的 50 題分層樣本為例，mini 每題平均跑了 7.6 輪（大多是重複搜尋的迴圈），最終輸入 token 量達到 terra 的 2.3 倍（每題 114k 對 50k）。terra 較高的 token 單價，被更少的輪數與更好的品質抵銷回來：每個通過答案 $0.31，mini 是 $0.40；平均 F1 為 0.50 對 0.39。luna 每題所需輪數低於 mini，每個通過答案 $0.05。至於 nano，名目 token 價雖然較低，18% 的通過率仍讓它的觀察成本落在 $0.07。
結論很直白：輪數效率本身就是一個定價變數，而這一點在定價頁上完全看不到。只要你的代理會串接工具呼叫——研究、多跳查詢、迭代檢索——軌跡成本就應該與單次呼叫成本並列在同一張表上量。這跟我們先前談前綴感知路由如何影響 KV cache 與延遲是同一個思路：帳單與延遲多半取決於架構，單價不是決定因素。
專業交付物：rubric 就是及格線
不少團隊實際交付的是文件——合規簡報、財務計畫、照護流程——此處的「正確」由評分規準定義，而非字串比對。AWS 挑了 GDPval 的 48 項任務切片來跑，每項 rubric 都出自平均 14 年經驗的專業人士，加權分數須達 70% 才算通過。
三個 gpt-5.6 設定的觀察分數都排在 mini 與 nano 之上，差距最明顯的是法律、護理與財務建議類任務。48 項當中，luna 有 31 項高於 mini、9 項較低、8 項持平；通過項目 luna 為 27 項、mini 為 20 項。降價後 luna 在此樣本裡取得最低成本：通過一個交付物 $0.010，mini 為 $0.030、nano 為 $0.012；通過率 56%，對比 42% 與 35%。
AWS 也標出一項限制：輸出上限設為 8,192 token，使 luna 6 項、terra 9 項、sol 7 項、nano 1 項交付物遭截斷。上限放寬也許能改善品質，成本卻可能同時被推高，兩者要一起測。
這對產品團隊意味著什麼
AWS 的遷移建議相當樸素：高頻、低複雜、失敗代價低的任務，起點選 luna；互動式應用而準確度要緊時，先量 luna，再用自己的 SLO 重測延遲；會串接工具呼叫的代理，把 luna 與 terra 並著量；品質門檻硬的難題，才輪到 sol 上場。
有兩點值得自己確認。一是 Bedrock 上的模型是在關閉推理的狀態下執行，OpenAI API 基準則採預設值，因此這比較的是「實務部署設定」，而不是對模型本質能力的受控估計。二是樣本數落在 48 到 198 之間，差距小的時候只適合當方向性參考。
最務實的起步動作不是換模型，而是把評測框架放到自己的任務上跑一遍：先算出你的「一次正確結果」值多少錢，再決定要不要動。