Hacker News 上有一篇近 600 分的文章：数据公司 Hightouch 发布了一份自己做的测试（原文，11 月 4 日），思路对所有在意 API 成本的人都有参考价值。
他们要解决的问题：判断一组客户记录到底是不是同一个人（「身份解析」）。比如两个记录名字很像、地址一样，是同一个人，还是一对双胞胎？以前要人工抽查，一小时只能看大约 50 个。
测试结果（每 1,000 次判断的成本，作者公司自测）：
| 方案 | 准确率 | 成本 |
|---|---|---|
| Claude Opus 5.5 单独判 | 99.0% | $3.86 |
| GPT-6 Sol 单独判 | 98.3% | $2.50 |
| 便宜的「决策模型」Jev 单独判 | 95.6% | $0.05 |
| Jev 先判，信心在 30%–90% 之间的交给 Opus（约 22% 被转交） | 98.8% | $0.88 |
换成专挑疑难案例的更难测试，Opus 单独判是 95.1%、$5.39，「Jev 先判、拿不准的交给 Opus」是 95.3%、$2.94。准确率持平，成本少了将近一半。
关键在于小模型「知道自己什么时候不确定」：
- Jev 判错的时候，给出的信心大多在 50% 左右，信心和准确程度对得上；所以把「拿不准」的那部分转给 Opus，正好转对了。
- 另一个便宜模型 GPT-6 Luna 单独判比 Jev 还准（97.3%），但它判错时常常信心很高（90%–100%）。转给 Opus 的那部分，没能覆盖它真正判错的地方，所以组合起来，在难的测试上只有 91.6%。
对写代码、做应用的启发
- 不一定所有请求都用最贵的模型。先让便宜模型处理，把它不确定的部分交给强模型，常常能省下大头。
- 能这样做的前提，是便宜模型能可靠地告诉你它「没把握」。选模型时，不只看准确率，还要看它在出错时有没有自知之明。
- 在 Claude Code 里，类似的思路是：主力用 Sonnet，规划用 Opus（
opusplan），简单的子任务交给 Haiku，见 /t/113。
聊聊：你的应用里有没有「先用小模型、拿不准再升级」的设计？用什么判断要不要升级？
参考来源：
- Hightouch：A Jev that can ask Opus for help gives Opus accuracy at 4x lower cost（2026-11-04，作者公司自测）
- Hacker News 讨论