Theo 比较用量调整后的 Codex 与 Claude 订阅价值

我过去一直为 Codex 和 OpenAI 辩护，但最近的用量削减和模型发布让我更难坚持这一立场。对于许多任务，我仍更喜欢 Anthropic 的 Opus 5.5。不过，一项新的用量限制公告看起来是朝正确方向迈出的一步。

根据我讨论的公告，100 美元、200 美元和 500 美元的 Pro 档位以及 Business Premium 的用量限制翻倍。这项变化有一些限定：此前分开的部分用量现在合并计算，因此不同用户的体验可能不同。

要理解这项变化，需要回看此前对 200 美元方案的削减。我的理解是，新增长大致让该档位恢复到原来的水平，而 100 美元和 500 美元档位获得了真正的增长。500 美元档位现在的额度很大，尤其是对于不大量使用高速模式的人。

此前的解释强调，随着模型进步，订阅用户应能在同样价格下完成更多工作；它还主张避免让额度设计激励 API 标价保持高位。我认为以完成工作量为目标是个有用的原则，但额度细节仍然重要。

比较方案的一种方式，是估算额度按 API 计价相当于多少价值。我的计算认为，500 美元方案每月约相当于 1.05 万美元，200 美元方案约为 4300 美元。我将其与 Claude 200 美元方案的更高估算值比较，同时指出某些模型有专门限制。

按 API 折算的金额不等于实际完成的工作。每 token 价格只是一个维度；缓存会改变成本，不同模型解决同一任务消耗的 token 数也不同。每 token 价格更低，并不一定直接意味着结果更便宜。

在我展示的基准图表中，所比较的 OpenAI 模型通常比 Anthropic 模型每个任务使用更少 token。比较结果取决于模型和推理级别。我还对照了智能指数和每任务估算成本；在选定配置下，GPT-6.1 Sol 看起来比所选 Opus 配置便宜。

订阅经济性又改变了比较结果。Adam Holter 的分析按照订阅计划的有效额度调整每任务成本。在我最常用的配置中，Opus 5.5 和 GPT-6.1 Sol 的订阅每任务估算成本，比 API 标价比较显示的更接近。

接下来我观察价值前沿：在给定成本下，哪个模型提供最好的测量能力。API 价格和订阅价格可能产生不同的前沿。这张图基于特定基准和一组假设，不应视为适用于所有任务的普遍排名。

是否把用量重置计入，图表也会发生变化。我起初以为两个视图的差异来自额度翻倍，随后纠正了自己：其中一个视图计入了重置。重置历史会显著影响对订阅价值的回顾性计算。

这些数字仍然依赖基准任务。为了比较更接近我自己工作的情况，我让多个模型审查同一组拟议改动，再评估它们的审查结果。这是我工作流内的同类比较，并不能普遍证明模型质量。

在 83 次比较中，模型评判者更常偏好 Opus 的审查：Opus 有 66 次选择 Opus，Sol 有 54 次选择 Opus。我估算的审查成本中位数按 API 折算分别是 Opus 的 1.65 美元和 Sol 的 0.36 美元。这些判断由模型生成，实验也只反映我的审查任务。

考虑订阅额度后，我的计算约为所比较方案能够完成 205 次 Opus 审查或 290 次 Sol 审查。这比按 API 计算的单次审查成本差距更小。就这个样本的质量而言，我仍会选择 Opus；更重视审查次数或完成速度的人可能做出不同权衡。

公告还把 ChatGPT 和 Work 的用量与所讨论的 Codex 限额合并计算。我预计许多编程用户受到的影响不大，但大量使用其他产品的人可能不同。我不确定 Dots 如何计算，因此不应把我的猜测当作明确规则。

总体而言，我欢迎这次增长，尤其是 100 美元和 500 美元档位。对 200 美元档位，我主要把它看作恢复原状。我仍然担心模型质量：按照我的经验，OpenAI 还需要一个在我重视的工作中更强、能够与 Opus 5.5 竞争的模型。