AI 模型选型：调用量第一的模型，能力榜排第 17

十月的两组榜单摆在一起看，结论有点反直觉：OpenRouter 上 10 月 1 日到 22 日调用量第一的 DeepSeek V4.1 Flash 跑出 102.2 万亿 token，但在 Artificial Analysis 的智能指数榜上只排第 17 位，45.1 分。而智能指数第一的 Claude Opus 5.5 拿了 57.6 分，调用量 19 万亿，排第 10。两者差了 5.4 倍用量、12.5 个智能分。这不是榜单出错，而是两套坐标系在量两件不同的事：一个量"实际被用了多少"，一个量"上限有多高"。做 AI 模型选型时把它们混着看，是最常见的翻车起点。

一、两组数字放在一起，反差有多大

调用量月榜：Flash 版本霸榜

数据来源是 OpenRouter 的真实 token 调用量，统计区间 2026 年 10 月 1 日至 10 月 22 日。

全球模型调用量排名月榜：DeepSeek V4.1 Flash 以 102.2 万亿 token 居首，Claude Opus 5.5 以 19 万亿排第 10（数据来源：HaiAi123，OpenRouter 真实 token 用量，统计区间 2026 年 10 月 1 日至 22 日）

智能指数榜：前十四名没有一个中国模型

数据来源是 Artificial Analysis 的评测指数与竞技场 Elo，更新于 2026 年 10 月 24 日，价格是该厂商直连的每百万 token 报价。

AI 模型智能指数榜：Claude Opus 5.5 以 57.6 分居首，前十名全部为海外模型，中国模型最早出现在第 15 位的小米 MiMo-V2.6-Pro（数据来源：HaiAi123，Artificial Analysis 评测指数与竞技场 Elo，更新于 2026 年 10 月 24 日）

三个必须看清的反差

反差一：调用量冠军在能力榜上排第 17。 DeepSeek V4.1 Flash 拿了 102.2 万亿 token，是第二名的 2.6 倍，但在智能指数上比 Claude Opus 5.5 低 12.5 分。这个分差在智能指数榜上意味着十多个身位。

反差二：能力冠军的用量不到冠军的五分之一。 Claude Opus 5.5 的 19 万亿只占 DeepSeek V4.1 Flash 的 18.6%，排在第十。

反差三：调用量前十有 6 个中国模型，智能指数前十有 0 个。 这条对比最容易被误读成"能力不行"，但把它和价格放在一起看，答案完全不同：中国模型的智能指数集中在 43–46 分区间的第 15 到第 20 位，价格是 $0.3–$1.4 的输入价，而前十名里最便宜的一档也要 $2 输入 / $10 输出。

二、背离是怎么产生的

2.1 调用量衡量的是"够用且付得起"，不是"最强"

一个模型被调用 102 万亿 token，说明大量业务场景在它上面跑得通、账算得过来，不代表它在难题上表现最好。调用量是成本、延迟、稳定性、可用性、生态成熟度的合成结果，智能指数只是其中一个变量，而且往往不是权重最高的那个。

把两边的价格拉出来算一笔：Claude Opus 5.5 输出价 $20，DeepSeek V4.1 Flash 输出价 $1.2，差 16.7 倍。一个日均消耗 10 亿输出 token 的应用，用前者每天烧 2 万美元，用后者每天烧 1200 美元。当任务本身对智能指数的要求落在 45 分就能覆盖的区间，这 16 倍差价没有任何理由去付。

2.2 Flash 和轻量版才是调用量的主力

调用量前 13 名里，带 Flash、Luna、Preview 这类轻量或预览标识的占了 7 席。这不是巧合：同一家的旗舰版和 Flash 版往往共享架构，差在参数规模、推理预算和定价。业务方先用 Flash 跑通链路，只在难点上切旗舰版，是当前最主流的用法。

还有一个信号值得注意：免费模型进了前 15。NVIDIA 的 Nemotron 3 Ultra 550B A55B 以 19.7 万亿排第 9，MiniMax M3.1 Flash 以 13.7 万亿排第 13，两个都标着免费。这说明调用量榜里有一块需求是纯粹被价格驱动的——它不是"能力选型"，是"成本选型"。

2.3 Agent 场景把成本敏感度进一步放大

看应用侧的周榜（统计至 2026 年 10 月 22 日）：

全球 AI 应用调用量周榜：Claude Code 以 3386.1 万次请求、5.4 万亿 token 居首，Kilo Code 与 DeepSeek Harness 分列二三位（数据来源：HaiAi123，OpenRouter 真实 token 用量，统计至 2026 年 10 月 22 日）

Claude Code 的请求量是 Kilo Code 的 3.9 倍，但 token 量只有 2.25 倍。换算下来，Claude Code 单次请求平均消耗的 token 更少——这是典型的 Agent 型负载特征：请求频次高、单次上下文相对短、工具调用密集。这类负载对单价极度敏感，因为它不是"偶尔问一次"，而是"连续跑几百轮"。一个百分点，单价的差异会在整条流水线上放大成数量级的成本差。

三、比"哪个最强"更有用的指标：每分智能多少钱

把智能指数除以输出单价，能得到一个更贴近决策的比值——每提升 1 分智能，要付多少美元。

这张表能读出一条很实用的结论：从 45 分往上爬的每一分，价格都在指数级上涨。 46.3 分的 MiMo-V2.6-Pro 每分智能成本 $0.019，57.6 分的 Claude Opus 5.5 是 $0.347，相差 18 倍，而智能指数只高了 11.3 分。

所以选型时真正该问的不是"哪个模型最强"，而是"我的任务需要多少分，超过这个分的部分我愿不愿意付 18 倍价钱"。绝大多数内容生成、摘要、分类、结构化抽取、常规代码补全任务，45 分档完全够用；只有在长链推理、复杂重构、高难度数学与竞赛级编程上，那 11 分的差距才会真实体现成产出质量的差异。

四、五步选型法

第一步，先定能力下限，不是能力上限。 拿 20–30 条真实业务样本（不是公开跑分题），从最便宜的模型开始往上试，记录通过率。找到通过率跨过 85% 的那一档就停下，不要继续往上堆。这一步能砍掉大部分不必要的成本。

第二步，算单位成本，算全链路的。 不要只看输入价。一次请求的实际成本 = 输入 token × 输入价 + 输出 token × 输出价 + 重试次数 × 单次成本。Agent 类应用的输出占比高、重试率高，输出价才是主导项。

第三步，按场景匹配结构能力，而不是分数。 长上下文、结构化输出（JSON mode / function calling）、多模态输入、流式延迟，这四项在榜单分数里体现不出来，但会直接决定你的工程能不能跑。选型时先做一次结构能力验证，再谈分数。

第四步，做 A/B 实测，用你自己的评测集。 公开跑分和你的业务分布之间永远有 gap。同一批样本跑两个候选模型，人工或规则判优劣，取实际胜率。这一步花一天，能避免上线后花一个月返工。

第五步，留降级路径。 主模型和备用模型必须能在一个配置项里切换，且两者的输出格式要能被同一层解析器消费。这是应对涨价、限流、下线的唯一保险。十月这一个月里，能力榜和调用量榜的位次变动就足够说明问题。

五、常见问题

Q1：调用量榜能当能力榜用吗？

不能。调用量反映的是成本与可用性驱动下的集体选择，能力榜反映的是评测上限。一个模型调用量高只能说明它"够用且便宜"，不能说明它"更强"。两者要分开看，交叉看。

Q2：为什么中国模型调用量高，智能指数却排不进前十？

不是同一个维度上的竞争。中国模型的智能指数集中在 43–46 分，价格在 $0.3–$1.4 输入价这一档；前十名集中在 49–57.6 分，价格 $2–$10 输入价。两者的定位不同：一个打性价比区间的规模用量，一个打能力上限的高价值任务。在 45 分够用的场景里，前者是理性选择。

Q3：免费的模型能用吗？

能，且已经有实证。NVIDIA Nemotron 3 Ultra 550B A55B 和 MiniMax M3.1 Flash 都进了调用量前 15。但免费通常伴随限流、无 SLA、随时调整策略的风险，适合做实验、批处理和容错度高的任务，不适合做核心链路。用之前先确认它的限流阈值和可用性承诺。

Q4：价格越贵就越好吗？

只在"你需要那部分能力"时成立。Claude Opus 5.5 比 MiMo-V2.6-Pro 贵 23 倍（输出价 $20 对 $0.87），智能指数高 11.3 分。如果你的任务在 46 分档就能达到 85% 通过率，多付的 23 倍买到的边际收益接近于零。

Q5：智能指数差 1 分，实际差别有多大？

在这个区间里，1 分不是线性收益。从 45 到 46 可能只是某个子项的小幅提升，从 56 到 57.6 往往对应更难任务上的显著改善。判断方法不是看分数差，而是看你自己的评测集通过率差——这两者经常不成比例。

Q6：榜单多久看一次比较合理？

月榜看趋势，周榜看异动，日榜只在你要做即时切换时看。位次变动频繁是常态，不要因为单周波动就改架构。真正值得触发重新选型的信号是：主模型涨价、限速策略变化、新版本在你的评测集上通过率提升超过 5 个百分点。

Q7：国产模型和海外模型怎么搭配？

常见做法是分层：用国产高性价比模型承接大规模常规请求，用海外高智能模型处理少量高价值难题，中间用路由层按任务难度分发。这样既能压住成本，又不牺牲关键任务的产出质量。前提是两边的输出格式要统一，否则路由层会变成新的维护负担。

以上榜单数据来自 HaiAi123（haiai123.com） 的 AI 排行榜，调用量榜取 OpenRouter 真实 token 用量、每日更新，能力榜取 Artificial Analysis 评测指数与竞技场 Elo、每日同步，两榜都标注统计区间与截止日期，可自行核对原始数值。

需要说明的是，榜单是决策的起点而不是结论。同一份数据，做批量摘要的和做复杂代码重构的，读出来的最优解完全不同。真正决定选型质量的，永远是你自己那 20 条业务样本的通过率。