预算1元：40条提示词跑十轮800,000令牌，实付0.76元

01 / 先把40条提示词写成互相能照应的题目

网上榜单跑的是别人的题，跟你的工作没关系。真正该拿来比的，是你自己每天在写的那几十条提示词。先写40条，每条三行就够：背景、任务、输出格式。背景一行说清场景，任务一行说清要什么，输出格式一行规定字段、顺序和数量。比如背景写你要把客服工单压缩成摘要，任务写提取问题、情绪、待办三项，输出格式写固定三行，每行以标签开头。

40条要覆盖你实际任务里的各种情况，不能全是顺手的好题。按你日常的分布来切：大概12条是简单的格式化任务，比如从一句话里抽字段；16条是中等的推理任务，比如按规则筛掉不合格项；剩下12条是难的，比如条件互相矛盾时该选哪个、数据缺失时该不该硬编。难的比例不要超过三成，否则整轮分数会被难题主导，看不出便宜档够不够用。

同时把输出上限压到300令牌。这一步不是为了省钱做样子：输出令牌通常比输入贵好几倍，不设上限，一个啰嗦的回答能吃掉三条题的预算。单条题的输入平均控制在700令牌，40条一轮就是28,000输入令牌。写好之后先自己读一遍，凡是连你自己都答不出的题，先删掉。

再把判定标准写死：必须出现的字段、不能出现的错误，比如编造数字、漏掉条件、答非所问。每条题写一行就够，例如标题必须是名词短语、日期必须出现在第二行、不得出现超过两行的解释。标准必须在开跑前写完，跑完不许改，否则你测的不是模型，是自己的心情。

02 / 800,000令牌跑完十轮，按价目表实付0.76元

算钱只用四行账。单模型一轮：40条乘700等于28,000输入令牌，40条乘300等于12,000输出令牌。两个模型跑十轮，就是560,000输入令牌加240,000输出令牌，合计800,000令牌。两个模型别只挑最贵的比，挑一个便宜档一个中档，结论才有选择余地。

• ■ 输入 560,000 令牌
• ■ 输出 240,000 令牌
• ■ 缓存读写，按实际发生记
• ■ 重试，按失败条数记

价目表要自己抄下来再乘，别用别人的截图。举个例子：若你抄到的是输入0.5元每百万令牌、输出2元每百万令牌，那么560,000乘0.5除以1,000,000等于0.28元，240,000乘2除以1,000,000等于0.48元，合计0.76元。给缓存和重试留两毛钱，整轮预算封顶1元。抄价目表的时候把单位也抄清楚，有的地方按每百万令牌报，有的按每千令牌报，混着算会差一千倍。

CheapRelay 按真实令牌计费，缓存读取和写入都算钱，没有月费也没有订阅，所以缓存那一行必须写进账本。系统提示词500令牌，40条题共用同一个前缀，十轮就是200,000令牌的缓存读取；写缓存本身也计费，只打算跑一轮的题目就别开缓存，白付一次写入。十轮的跑法也有讲究：前五轮用同一组题顺序不变，后五轮把顺序打乱，避免模型沾上顺序便宜。每轮之间把输出存下来，别只存分数。

03 / 三个偷吃预算的错误，开跑前先修好

• ■ 没有输出上限。一条没收住的回答可能顶三条题，重跑一次又是一份输出钱。把上限写进请求参数，超限就截断记为失败。
• ■ 提示词里塞了用不上的长上下文。输入同样按令牌收费，一段三千令牌的背景，40条题就是120,000令牌白花，按上面的价目就要多付六分钱。
• ■ 失败就整轮重跑。只重跑那几条失败的，整轮重跑等于把刚算好的0.76元再交一遍。

另外给每条题留一个超时和最大重试次数，比如两次。超过两次就记为失败，不要再往里砸令牌。小预算下，止损比多测一轮重要。还有一个坑是并发：同一时间发40条请求，响应不稳定时你分不清是模型不行还是网络在抖，建议按五条一批发，每批之间停一下，把这种抖动跟模型能力分开。

最后一个隐蔽的坑是上下文长度。如果你的任务带长文档，输入可能从700涨到10,000令牌，一轮的输入就从28,000涨到400,000，十轮两模型光输入就是8,000,000令牌，前面那套一元预算立刻失效。这时候要么只挑五条带长文档的题做深度比较，要么先做一轮短题筛出便宜档，再用便宜档处理长文档的初筛。

04 / 0到2分打分法，一分钱不花就能排出名次

不请外部裁判，你自己就是。每条题按三个维度各打0、1、2分：格式是否合规、内容是否满足要求、长度是否守规矩。满分6分。把模型名字遮住再看输出，避免先入为主；把两个模型的输出贴在相邻两栏，同一道题对照着看，比单独打分更不容易手滑。

打分的具体刻度可以先定死：格式这一项，字段全对得2，少一个或多一个得1，结构乱掉得0；内容这一项，结论和要求完全一致得2，方向对但细节错得1，编造或答非所问得0；长度这一项，在上限内且不啰嗦得2，接近上限或过短得1，被截断得0。

打两遍：第一轮你自己打，第二轮隔一天再打一遍，两次相差超过1分的题挑出来重看。最后记两个数，平均分和失败率，失败率就是拿0分的条数除以40。举个账：便宜档平均4.6分、失败率百分之五，即40条里2条拿0分；中档平均4.9分、失败率百分之二，即1条拿0分。要不要多花钱，就看这一条之差值不值。

比较规则提前定死：平均分差距不到0.2分就选便宜的那个；差距到了0.2分，再看失败率。比如便宜档平均分4.6、失败率5%，贵档4.9、失败率2%，为了0.3分多花一倍钱，多数日常任务并不划算。只有当失败率差到三倍以上，或者0分条数集中在你的核心任务上，才值得升档。

05 / 什么时候该上贵模型，什么时候该改提示词

只有两类题值得升级到贵档：连续三轮都拿0分的题，以及人工检查发现真实错误的题。把这些题单独挑出来换模型，不要整轮换。40条里通常只有几条是硬骨头，按前面的价目，单条题的输入加输出大约3,000令牌，换贵档重跑这5条也就两三毛钱，仍然在1元预算内。

反过来，如果两个模型在同一道题上都拿0分，八成是提示词本身有问题：要求没写清、输出格式互相矛盾、任务根本超纲。这时候换模型是白花钱，改一行提示词往往就能把分数拉起来。改完只重跑这一条，别重跑整轮。

另外记住一致性比单次高分重要。同一道题在十轮里有8轮得6分、2轮得0分的模型，往往不如十轮都稳稳得5分的模型好用。把每条题的分数波动算出来，波动大的题标记成风险题，日常使用时在提示词里多加一条约束，比换模型省钱。

跑满十轮，你会得到一张只有你能用的价目表：哪条题便宜档够用，哪条题必须上贵档，哪些题该删。这个结论比任何公开榜单都值钱，因为题是你自己的。CheapRelay 用一个 key 就能换着调用 Claude Haiku 4.5、DeepSeek V4 Flash 等模型，兼容 OpenAI SDK、Claude Code、Codex 和 Gemini CLI，换模型不用改代码。想现在就开始记账，就去 CheapRelay 注册，先花1元把你自己的40条题跑完十轮。