实测Opus 5.5六档努力级别：花了500美元跑完18个应用

一场近500美元的暴力测试

AI编程工具到底该用哪个努力级别？这个问题困扰着大多数开发者。一位YouTube创作者做了一件很多人想过但没做过的事：让Opus 5.5在六个不同的努力级别下分别构建三个完全不同的应用，总共跑完18次构建。

这次实验的灵感来自Nate Hurk的类似测试，但这位创作者想验证一个更根本的问题——应用的种类是否会影响努力级别的最佳选择。毕竟，一个3D场景、一个国际象棋引擎和一个音乐制作工具，面对的是完全不同类型的问题。

整个实验消耗了近500美元的token额度、近8亿token，耗时超过20小时。每次运行都使用全新会话、相同的prompt、不允许追问修正，而且刻意不告诉模型去测试自己的代码——是否自测本身就是被测量的指标之一。

三个应用，三种挑战

Night Shift：3D工作室场景

第一个应用是对创作者YouTube工作室的交互式3D还原，核心考验的是视觉保真度和建模精细度。从low到UltraCode，画面质量确实在提升：low级别虽然简陋但功能完整；medium增加了入场动画，但出现了奇怪的黑色遮挡；high级别开始有了进入工作室的过渡效果，灯光和细节明显改善；extra和max在视觉上趋于接近，但max反而在某些交互上不如extra——比如招牌切换功能失效了。

到了UltraCode，几乎每个物品都可以交互——播放按钮能被拨动、麦克风会晃动、屏幕上甚至显示着滚动的代码。但创作者本人的评价很直接：在night shift这个项目上，他反而更喜欢extra的效果。

Checkmate：从零手写象棋引擎

第二个应用要求Opus从零实现完整的国际象棋规则并编写AI引擎，不允许使用任何象棋库。所有级别都成功完成了任务，但真正的考验在后续的锦标赛中。

创作者自己是1700-1800分的棋手，却无法击败任何一个级别的AI。但更令人意外的是锦标赛结果：max以8胜2平不败战绩夺冠，extra以8分获得第二，而花费最高的UltraCode只排第三——两个在3小时上限时仍在调优引擎的版本，反而做出了最强的棋力。

low级别甚至在排名中击败了medium，这说明努力级别和逻辑能力之间并非线性关系。

为什么"自测"会成为关键变量

高努力级别耗时暴增，主因不是生成代码变慢，而是模型被允许反复执行"生成—检验—修正"的循环。在象棋引擎这类任务里，模型可以自己编译代码、运行对局、统计胜负，并据此调整搜索深度、评估函数权重等参数。这意味着努力级别实际购买的是迭代调优的次数，而非单纯的代码量。

这也解释了实验中一个反直觉的现象：UltraCode 在 3 小时上限时仍在调优引擎，最终棋力反而不如更早收敛的 max 和 extra。调优存在边际收益递减，且更长的搜索链未必导向更优的策略——在有限时间预算下，提前定型的版本反而可能因为完成度更高而胜出。因此，自测次数多寡只能说明"投入了多少检查"，并不等同于"结果一定更好"。

Beat Lab：单文件音乐工作室

第三个应用是一个完整的音乐制作工具，包含钢琴卷帘、混音器和可视化器，所有音效必须通过代码生成，不能引用外部音频文件。所有级别都成功实现了代码生成音效这一核心要求。

在Beat Lab上出现了一个有趣的反转：UltraCode虽然更贵，但运行速度反而比max和extra快得多。原因是它启动了10个不同的子代理并行处理——这是在其他两个应用中没有观察到的行为。

什么是"努力级别"（Effort Level）

在部分前沿模型的 API 与产品界面中，"努力级别"并非指模型参数量的变化，而是对模型推理预算的调节旋钮。它通常通过两个维度体现：一是允许模型在给出最终答案前进行多长时间的"思考"（即扩展推理链的长度），二是允许模型发起多少次自我验证、工具调用或子代理并行任务。级别从 low 到最高档，成本与耗时呈近似指数上升，但能力提升并非同比例——这正是本次实验要验证的核心。

需要区分几个容易混淆的概念：努力级别调节的是"花多少算力去解决同一个问题"，而模型版本决定的是"用什么能力去解决"；上下文缓存（cache read）则是一项降低成本的技术，它把会话中重复出现的提示词与前文缓存复用，因此单价极低。本实验中 96% 的 token 属于缓存读取，但真正决定账单的却是占比仅 1% 的输出 token。

成本曲线：每级几乎翻倍

三款应用的费用数据呈现出清晰的规律。low全部三个应用加起来不到4美元；medium约14美元；high约27美元；extra约50美元；max约82美元；UltraCode则直接跳到超过300美元。

创作者还拆解了token的流向：96%的token是缓存读取——因为每次会话中模型都要重新读取之前的所有上下文。但这部分极其便宜，每百万token仅约20美分。真正烧钱的是输出token，虽然只占总量的1%，但每百万token收费20美元，最终占了总成本的约42%。

自测次数的变化同样显著：low级别几乎为零，到max和UltraCode级别时攀升至77到125次。这正是高努力级别耗时暴增的主要原因——不是模型写得更慢，而是它花了大量时间反复检查自己的输出。

缓存读取与输出 token 的成本结构

大模型的推理成本由输入、输出与缓存命中三部分构成。本实验揭示的 96% / 1% / 42% 这组数据，本质上是三档单价差异造成的：缓存读取通常每百万 token 仅约 0.2 美元，而输出 token 可达每百万 20 美元，相差约百倍。因此即便输出只占 token 总量的极小部分，也会吞掉近一半账单。

这带来一条实用的优化原则：控制输出长度比控制输入长度更省钱。在实际使用中，减少冗长的解释性文字、要求模型直接返回代码或结构化结果，往往比精简提示词更能压低成本。反之，把大段参考材料放进上下文一旦被缓存，其边际成本极低，是可以放心使用的。理解这套计价结构，有助于开发者判断"加钱提升努力级别"是否真的划算。

努力级别到底怎么选

根据这次实验的完整数据，创作者给出了自己的建议：

low用于验证想法。 能在几分钟内生成完整3D场景，费用不到1美元。对于快速原型验证，性价比无可匹敌。

high作为日常默认。 通常一小时内完成，每个应用7到11美元，会进行自测，质量足以覆盖大多数需求。

max用于逻辑密集型任务。 象棋引擎这类需要正确性保证的场景，max的自测频率和调优深度能带来实际差异。

UltraCode大多数情况下不值得。 费用是max的2到6倍，耗时显著更长，在多次测试中甚至超时。就这三个应用而言，UltraCode从未产出最佳结果。创作者建议只将它留给真正大型的多模块项目。

一个值得注意的结论是：努力级别对逻辑型任务的影响远大于视觉型任务。象棋引擎的棋力排名几乎与努力级别正相关，但视觉效果在extra之后就开始趋于平缓——花更多的钱并没有让画面变得更好。

这意味着选择努力级别时，应该根据任务的性质来判断：视觉类项目用high可能就够了，而涉及复杂逻辑的项目才值得往上加码。