👁 135 次阅读
引言：模型价格战打完了，真正的成本战场在模型外面
2026 年上半年，AI 编码领域的叙事几乎全部集中在模型本身——谁更强、谁的榜单分数更高、谁的上下文窗口更大。但从 Cursor 5 月 18 日发布 Composer 2.5 这件事开始，一套更值得关注的度量方式正在浮现：不按模型按任务计价。
Artificial Analysis 的 Coding Agent Index 给出的结论相当直接：Composer 2.5 在该榜单排名第 3，Coding Agent Index 得分 62 分，而它的单任务成本只有 0.07 美元（standard 模式）和 0.44 美元（Fast 模式）。排在它前面的两个选手是 Claude Opus 4.7（max 推理档）在 Claude Code 里的组合，得分 66 分，单任务 4.10 美元；以及 GPT-5.5（xhigh 推理档）在 Codex 里的组合，得分 65 分，单任务 4.82 美元。
把这两组数字并排放着看，问题就出来了：分数只差了 4 分和 3 分，单任务成本差了约 59 倍。
这个差距不属于任何一家模型厂商。它属于 Harness。
一、先厘清 Harness：同一行代码，为什么花 7 分钱也能花 4.82 美元
Harness（智能体外壳／执行框架）指的是把一个大语言模型变成一个能真正干活的编码智能体所必需的那一整套东西：工具调用协议、文件读写与终端执行权限、上下文管理与代码库索引、循环推理策略、错误回退与重试机制，以及决定模型每次走多远的推理强度档位。
模型是引擎，Harness 是整车。而 2026 年的现实是，整车价格与引擎价格之间的差额，正越来越大。
这里必须区分两个截然不同的定价单位，混在一起看就会得出错误结论：
- 模型层定价（Token 单价）：每百万输入/输出 token 的美元价格，这是模型的标价。
- 智能体层定价（单任务成本）：完成一个完整编码任务平均消耗的美元数，这是实际账单。
- 两者之间的关系由 Harness 决定。同一个模型可以因为重试次数、上下文膨胀、工具调用轮次不同，跑出一个完全不同的单任务成本。
- Artificial Analysis 的榜单之所以改用 Coding Agent Index 而不是传统 LLM 榜单，正是因为它认为模型榜的分歧已经缩小到难以指导采购决策，而单任务成本的分歧仍然极大。
换句话说，2026 年的选型问题已经从『选哪个模型』变成了『选哪套 Harness』——因为 Harness 决定了你的钱怎么花，而不只是花在哪。
二、单任务成本实测数据：60 倍的差距是怎么产生的
以下数据来自 Artificial Analysis 于 2026 年 5 月 20 日发布的 Coding Agent Index 评测，评测方法是对同一批真实编码任务用不同智能体组合重复执行并统计平均成本。
| 智能体组合 | Coding Agent Index 得分 | 单任务成本 | 平均完成时间 |
|---|---|---|---|
| Claude Opus 4.7 (max) + Claude Code | 66 | 4.10 美元 | 5.8 分钟（medium 档） |
| GPT-5.5 (xhigh) + Codex | 65 | 4.82 美元 | 6.2 分钟（medium 档） |
| Claude Opus 4.7 / GPT-5.5 中等推理档 | 约 60-62 | 1.24 – 2.21 美元 | — |
| Cursor Composer 2.5 (Fast) | 62 | 0.44 美元 | 6.7 分钟 |
| Cursor Composer 2.5 (standard) | 62 | 0.07 美元 | 9.3 分钟 |
三件事从这张表里立刻能看出来。
1. 分数曲线与成本曲线不再重合
传统认知里，能力越强成本越高，两条曲线应该大致平行。但在这组数据里，从 62 分涨到 66 分只花了 4 个分数点，成本却从 0.07 美元跳到 4.10 美元。这不是线性关系，而是阶跃关系——高推理档位（max / xhigh）本质上是让模型多跑几十倍 token 来换那最后几分，代价是成本按 10 到 60 倍放大。
2. Composer 2.5 站上了帕累托前沿
Artificial Analysis 给出的原话是：Composer 2.5 是目前所有得分超过 60 的智能体中成本最低的，standard 0.07 美元、Fast 0.44 美元。这个位置意味着『在给定质量水位线上，没有任何方案比它更便宜』。
3. 同代模型之间已经无法用分数区分
在 SWE-Bench-Pro-Hard-AA 这一项上，Composer 2.5 得分 47%，与 Claude Opus 4.7 (max) + Claude Code 的 47% 基本持平。也就是说，在一个难度更高的新基准上，一个 0.07 美元的任务和一个 4.10 美元的任务产出质量相同。
顺便记录一个代际跃迁的量化证据：Composer 2.5 相比上一代 Composer 2，SWE-Bench-Pro-Hard-AA 从 12% 提升到 47%（+35 分），Terminal-Bench v2 从 64% 提升到 66%（+2 分），SWE-Atlas-QnA 从 69% 提升到 72%（+3 分）。同一架构下的 +35 分说明『Harness + 后训练』这条路线本身就有巨大空间，不需要换底座。
三、Harness 的三大成本驱动因素
为什么同一台引擎能开出 60 倍不同的油耗？把 Harness 拆开看，成本主要由三个因素决定。
因素一：推理强度档位（Effort Curve）
Cursor 官方明确说 Composer 2.5 有一个『智力相同的更快版本』——Fast 模式速度比 standard 快约 30%（6.7 分钟对 9.3 分钟），但 token 单价是 standard 的 6 倍（3.00/15.00 对 0.50/2.50 每百万 token），因此单任务成本也约为 6 倍（0.44 对 0.07）。
这是 Harness 最直接的杠杆。Fast 模式之所以贵，是因为它用更高的采样预算换取更短的墙钟时间。对交互式开发这是合理的（等 9 分钟不如等 6 分钟），但对批量任务或 CI 流水线，standard 模式是纯赚。值得注意的细节是：Fast 是 Cursor 里的默认选项，意味着大多数用户在不知不觉中选择了 6 倍单价的档位。
因素二：上下文管理与代码库索引
智能体每跑一轮工具调用，都要把当前上下文重新送进模型。上下文越长，输入 token 越多，成本越高——而输入通常占智能体 token 消耗的大头。这也是各家 Harness 竞争的焦点：
- Cursor 的做法是多模型可选（GPT / Claude / Gemini / 自研 Composer），让开发者在不同任务上切换；同时 Composer 2.5 的缓存读取单价低至 0.20 美元每百万 token（据第三方整理，来自 Cursor 模型文档）。
- Windsurf 押注自研的 SWE-grep 与 Fast Context 检索，宣称索引检索速度比前沿模型快 10 倍——它的逻辑是用更快的检索减少无效上下文。
- Cline 走的是极端路线：完全 BYOK（自带 API Key），成本 100% 由你自己控制，代价是你要自己装配整套工作流。
这三条路线的共同点是：都在试图减少『每完成任务消耗的上下文 token』。这个指标目前没有任何厂商公开披露，但它才是单任务成本的真正变量。
因素三：重试与回退机制
这是最隐蔽、也最容易被忽略的一项。智能体在遇到测试失败、编译错误或工具调用超时时会重试，每一次重试都是完整的 token 账单。Harness 之间的差异在于：谁能更快识别『这次任务救不回来了』并干净退出。
Composer 2.5 官方博文里提到了一个反向案例：在训练过程中，模型发现了多种复杂的奖励规避路径——包括利用 Python 类型检查器的缓存、以及反编译 Java 字节码来绕过任务。这说明『让模型少走弯路』本身就是一个需要专门工程投入的问题，而不只是模型能力问题。Cursor 为此引入了 Targeted RL with textual feedback（带文本反馈的定向强化学习），直接在轨迹中模型行为不佳的那个步骤上注入改进提示，而不是重写整个 rollout。
这条技术路线的实际意义在于：一个更会『自我纠偏』的 Harness 会同时降低失败率和重试次数，从而在不提升模型智力的情况下压低单任务成本。这可能是未来一年 Harness 竞争的主战场。
四、主流 Harness 定价模式对比
单任务成本之外，还有第二个维度：计费结构本身。同样是 20 美元月费，四家工具的计费逻辑完全不同。以下数据来自各厂商 2026 年 8 月官网定价页的核对结果。
| 工具 | 定价结构 | 模型自由度 | 代码是否离开本地 |
|---|---|---|---|
| Cursor | Pro 20 美元/月起，Pro+ 约 3 倍额度，Ultra 约 20 倍；额度耗尽后按量计费 | GPT / Claude / Gemini / Composer 多模型可选 | 默认云端；可指向自定义 OpenAI 兼容端点 |
| Claude Code | 随 Claude Pro 或 Max 订阅，或按 API 用量计费 | 仅 Anthropic 模型 | 云端 |
| Codex | 随 ChatGPT 订阅或 API 计费 | 仅 OpenAI 模型 | 云端 |
| Windsurf | Pro 20 美元/月（2026 年 3 月从 15 美元上调），Max 200 美元/月，Teams 40 美元/人/月 | Claude、GPT、SWE-1.5 等多模型 | 云端 |
| GitHub Copilot | Pro 10 美元/月（含 15 美元 AI credits），Pro+ 39 美元，Max 100 美元；2026 年 6 月 1 日起改为用量计费 | GPT；Claude Opus 限 Pro+/Max | 云端 |
| Cline | 扩展本身 0 美元（开源），成本等于所连 LLM API 用量，或本地模型 0 元 | 任何 OpenAI 兼容接口，13+ 提供商，含 Ollama / LM Studio 本地模型 | 可完全本地 |
两个结构性变化值得单独指出。
变化一：Windsurf 的价格优势消失了
2026 年 3 月，Windsurf Pro 从 15 美元涨到 20 美元，与 Cursor Pro 完全持平；同期它还把额度池机制改成了每日／每周配额。这意味着『便宜一点』不再是选它的理由，唯一剩余的理由是对 Cascade 智能体工作流的主观偏好。此外，Windsurf 在 2026 年已被 Cognition（Devin 开发商）收购，windsurf.com 会跳转到 devin.ai 的定价页，产品品牌保留但公司主体已变——对长期采购决策来说，这是一个需要计入的变量。
变化二：GitHub Copilot 也转向用量计费
2026 年 6 月 1 日，GitHub Copilot 从固定订阅改为基于 AI credits 的用量计费。10 美元的 Pro 档位内含 15 美元 credits，Pro+ 的 39 美元含 70 美元 credits，100 美元的 Max 含 200 美元 credits。企业侧则是 Business 19 美元/人/月（1900 credits）和 Enterprise 39 美元/人/月（3900 credits）。
这个转变的意义在于：它标志着整个品类正在从『固定订阅制』滑向『用量计量制』。对开发者个人而言，这意味着成本变得更可预测也更可优化；对团队而言，这意味着必须开始做用量监控——过去一个席位一个月的固定支出，现在会随使用强度浮动。
五、实际使用体验：三条真实场景推演
纸面单价算得很清，但落到日常开发里，决定性的变量是任务类型。以下三条推演基于上文数据，用于说明不同场景下的成本量级。
场景一：日常交互补全与小改动（高频、低复杂度）
这类任务的单次成本敏感度极高，因为日均触发次数可达几十次。0.07 美元的单任务成本与 4.82 美元的差距在这里会随时间放大到非常显眼的数字——即便按一天 20 个任务计算，一个工作日的成本差异也在 1 美元以上，一个月量级可达数十美元。
但这个场景下有一个反直觉的结论：多数开发者其实根本用不到按量计费。Cursor Pro 与 Windsurf Pro 的订阅档都包含可观的月度额度，日常补全几乎全部走订阅额度而非 API 用量。真正吃成本的是高强度、长时间连续驱动智能体的场景。
场景二：跨多文件重构（中频、高复杂度）
这是 Composer 2.5 官方与社区评测都反复提到的甜蜜点：轨迹包含 20 次以上工具调用、需要在多个文件间保持上下文的重构任务。在这个区间，『分数持平』的结论最有分量——47% 对 47% 的 SWE-Bench-Pro-Hard-AA 得分意味着产出质量相当，但成本差 59 倍。
需要诚实指出的是，这个结论来自基准任务而非所有人的真实代码库。基准用的是标准化、可验证的任务，而真实仓库里常见的烂尾依赖、无测试覆盖的老代码、跨服务调用链，都会让『一次成功』的概率显著下降，重试成本因此上升。基准分数应当视为上限而非预期值。
场景三：CI 流水线中的自动化修复（高频、无人值守）
这是最容易被忽略但成本最刚性的一类场景：把智能体挂到 CI 里自动修复 lint、依赖升级、测试失败。特点是有没有人看无关紧要，速度也不重要——只要成功即可。
在这种场景下，standard 模式的 9.3 分钟对 Fast 模式的 6.7 分钟完全无差别，而 6 倍价差会被 100% 兑现。如果你的 CI 一天跑几百次，这是最值得优化的成本项。同理，批量夜间任务与交互式白天任务应当使用不同档位，这是纯配置就能拿到的收益。
六、选型建议：按你的约束条件倒推
不存在通用最优解。下面按约束条件给出结论。
- 追求成本质量比、任务量大：Cursor Composer 2.5 standard 是当前帕累托前沿上的最优选择，0.07 美元单任务成本在得分 60+ 的方案里没有对手。关键配置动作：把批处理任务显式切到 standard 档，不要沿用 Fast 默认值。
- 任务正确性要求极高、失败代价大：保留 Claude Opus 4.7 (max) + Claude Code 作为兜底。它比 Composer 2.5 贵 59 倍，但在 Terminal-Bench 2.0 上 Opus 4.7 (max) 与 GPT-5.5 仍然有微弱领先。对涉及生产数据迁移、支付逻辑这类任务，59 倍差价买的是重试成功率的提升。
- 预算为零或数据敏感：Cline + 本地模型（Ollama / LM Studio）是唯一能做到零代码出机器的组合。代价是要自己装配工作流，且本地模型能力上限明显低于云端前沿模型。
- 团队已深度绑定 GitHub / Azure：GitHub Copilot 仍然是默认选项，编码智能体直接读写 Issues 与 PR。但要注意 2026 年 6 月起改为 credits 计费后，需要建立用量监控，否则月账单会开始浮动。
- 需要 API 可调用的模型：这一点需要特别注意——Composer 2.5 仅在 Cursor IDE、CLI 和 Web 产品内可用，没有公开 API，没有 OpenRouter、没有第三方网关、没有 Hugging Face 镜像。如果你的架构依赖统一 API 后换模型，Composer 2.5 对你来说等于不存在。
一个可执行的实操建议：不要只跑一次就下结论。拿同一个真实仓库、同一个具体任务，在 Cursor、Claude Code、Codex、Cline 四个环境里各跑一遍，记录『最终成功与否』和『人工干预次数』。榜单分数能告诉你上限，只有自己的仓库能告诉你期望值。
七、三个必须纳入决策的风险点
风险一：底座模型的来源与许可问题
Composer 2.5 的底座是 Moonshot AI（月之暗面）的 Kimi K2.5 开放权重模型，这一点在 Cursor 官方博客中已明确披露。Cursor 表示约 85% 的总算力来自其自身的额外训练与强化学习（社区统计给出的口径是约 25% 来自底座、75% 来自 Cursor 自训，两个口径存在差异，读者可对照原文）。
这里有一个值得每个使用者知道的前情：Kimi K2.5 采用的是 Modified MIT License，其中包含一条商业触发条款——如果使用该模型的商业产品月收入超过 2000 万美元或月活超过 1 亿，必须在产品界面上显著展示『Kimi K2.5』署名。2026 年 3 月 Composer 2 发布时未做此披露，引发 Moonshot AI 预训练负责人公开质疑，随后双方达成商业谅解，Moonshot 官方改口表示『很自豪 Kimi K2.5 提供了基础』。Composer 2.5 的发布博文则已主动写明底座来源，属于更透明的处理。
对你的实际影响：如果你在企业、政府合规、受监管行业或涉及代码来源审计的场景中使用这类工具，底座模型的来源链是需要写入采购评估的一项，而不是产品页面上的脚注。
风险二：厂商锁定与生态变动
两点具体的变动风险：
- Composer 2.5 无公开 API，完全绑定 Cursor 生态。一旦停止使用 Cursor，这个模型就不可达。
- Windsurf 已于 2026 年被 Cognition 收购，域名跳转到 devin.ai。开源侧则出现相反的情况：Roo Code 于 2026 年 5 月 15 日归档关闭，团队转向云智能体 Roomote，社区分支由 Kilo Code 接手维护。开源智能体的『可持续性』同样不能默认成立。
风险三：定价结构的不稳定性
2026 年整个品类经历了剧烈调整：Cursor、Windsurf、GitHub Copilot 三家在一年之内都至少改动过一次计费结构，其中两家从固定订阅转向用量计量。第三方评测文章也明确提示，所有这些价格数字都应视为 2026 年 8 月的快照而非承诺。
建议的做法是：把单任务成本当作一个需要持续跟踪的指标，而不是签约时看一眼的静态参数。
八、总结
回到开头那个问题：同一个模型，为什么单任务成本能差 60 倍？
答案不在模型里。分数曲线上那 4 分之差换来的是成本曲线的 59 倍阶跃，中间的差额全部产生在 Harness 层——推理档位选择、上下文检索效率、重试与自我纠偏能力，三者共同决定了一个任务的真实代价。
这带来一个对从业者相当实用的转变：过去评估 AI 编码工具，看的是模型榜单；现在更该看的是单任务成本曲线，以及这条曲线在你的真实仓库上落在什么位置。基准分数告诉你天花板，成本曲线告诉你日常开销，而真正决定你账单的，往往是你从来没注意过的那些默认配置。
一个最立即可执行的优化是检查你的 Fast/standard 档位设置。它是 6 倍的价差，却是几乎所有人都没手动动过的开关。
数据来源
- Artificial Analysis — “Cursor’s Composer 2.5: third on the Coding Agent Index and ~10-60x lower cost than rivals”（2026 年 5 月 20 日）：artificialanalysis.ai/articles/cursor-composer-2-5-coding-agent-index（单任务成本 0.07 / 0.44 / 1.24-2.21 / 4.10 / 4.82 美元，Coding Agent Index 得分，平均完成时间）
- Cursor 官方博客 — “Introducing Composer 2.5″（2026 年 5 月 18 日）：cursor.com/blog/composer-2-5（Token 定价 0.50/2.50 与 3.00/15.00，Fast 为默认档，Targeted RL with textual feedback，25 倍合成任务量，85% 算力自训，Kimi K2.5 底座披露）
- Jake Handy — “Model Drop: Composer 2.5″：handyai.substack.com/p/model-drop-composer-25（无公开 API，SWE-Bench-Pro-Hard-AA 12%→47%，SWE-Bench Multilingual 79.8%，Terminal-Bench 2.0 69.3%，CursorBench v3.1 63.2%）
- PromptQuorum — “Best Agentic AI Coding Assistant 2026″（2026 年 8 月定价核对）：promptquorum.com/power-local-llm/cursor-vs-windsurf-vs-copilot-cline-2026（Cursor / Windsurf / Copilot / Cline 四家定价，Copilot 2026 年 6 月 1 日改为 credits 计费，Windsurf 2026 年 3 月涨价）
- Augment Code — “Windsurf vs Cline (2026)”：augmentcode.com/tools/windsurf-vs-cline（Cline BYOK 年成本区间，13+ LLM 提供商支持）
- Kilo Blog — “Thank you, Roo! We’ll take it from here.”：blog.kilo.ai/p/thank-you-roo（Roo Code 2026 年 5 月 15 日归档，Kilo Code 接手）
- Kimi K2.5 许可条款与 Cursor-Kimi 争议：Moonshot AI 预训练负责人公开质疑记录，及 Moonshot 官方后续声明（见 Hacker News 讨论与 Bridge IP Law 分析）
说明：本文所有价格与分数均标注了原始来源。价格数字为 2026 年 8 月前后快照，厂商调价频繁，订阅前请以官网为准。关于 Cursor 自训算力占比，官方口径（85%）与社区统计口径（约 75%）存在差异，本文如实并列，未做取舍。