哪款大模型在 Agentic Coding 中最省 token？8 大前沿模型对比

这提醒我们，SEO的核心正在向内容判断力和结构化能力集中。

长期来看，如果不介入主动控制，Reflexion等自纠正循环的随机性和上下文膨胀特性，会让AI编码Agent在生产环境中的可预测性大幅下降。小型实验或许还能承受，规模化部署时这种不可控消耗很容易拖垮项目预算，甚至迫使团队放弃agentic方案，转回更传统的代码辅助工具。行业内已有多起案例显示，未设限的Agent运行一次复杂任务后，成本直接超出预期数倍。

最近，一篇arXiv论文揭示了AI编码代理在实际任务中的token消耗模式：agentic coding任务的总token使用量大约是普通代码聊天或简单推理任务的1000倍左右。这并非夸张的估算，而是基于SWE-bench Verified基准对八款前沿模型的轨迹分析得出的结论。论文特别指出，输入token而非输出生成，才是成本的主要驱动因素。

模型间token效率也拉开显著差距。在相同任务集上，Kimi-K2和Claude-Sonnet-4.5平均比GPT-5多消耗超过150万token。这一数字在批量部署或生产环境中会被迅速放大。GPT-5展现出更好的token经济性，而另一些模型虽在特定能力上占优，“油耗”却更高。选择Agent底层模型时，单纯看基准准确率已不够，必须将token效率纳入决策框架，否则隐形成本会持续侵蚀ROI。

大多数开发者目前看到的是代理带来的效率潜力。在SWE-bench这类真实软件工程基准上，顶级代理系统已展现出可观的解决率，许多人因此乐观地认为，部署agentic coding就能显著减少人力投入，将AI从辅助工具升级为独立的工作伙伴。但这一表面叙事往往忽略了背后经济层面的复杂性：token消耗的爆炸式增长并非线性可控。

除了模型间差异，论文还指出人为评定的任务难度与实际 token 消耗仅呈弱相关。这说明人类直觉判断的“复杂程度”，与 Agent 真实执行时的计算努力存在明显脱节。一些看似简单的 Bug 修复，却可能因模型的迭代路径而烧掉巨量 token。这种感知与现实的差距，进一步增加了预算规划的难度，也解释了为什么许多团队在部署后才发现成本远超预期。

另一个反直觉发现是准确率与token消耗并非正相关。数据表明，准确率往往在中间成本区间达到峰值，继续推高消耗后表现趋于饱和，甚至出现浪费——Agent可能在已验证路径上重复徘徊，却没有带来实质进步。这就像人类专家对任务难度的主观判断，与Agent实际计算努力之间存在明显脱节：感知棘手的bug有时只需少量token解决，而看似简单的issue却因随机路径耗费巨量资源。人类评分与真实token成本的相关性微弱，这一差距值得持续关注。

arXiv上最新论文《How Do AI Agents Spend Your Money?》针对agentic coding任务进行了系统分析，考察了八个前沿LLM在SWE-bench Verified上的token消耗轨迹。研究发现，agentic任务消耗token比普通代码推理或聊天多出约1000倍，且主要是输入token主导成本，而非输出。

AI Coding Agent 在 SWE-bench Verified 数据集上的 token 消耗轨迹显示，复杂编码任务的费用远超普通代码推理或聊天场景。arXiv 最新论文通过 OpenHands 框架对八大前沿 LLM 进行系统分析，发现 Agent 任务的总 token 消耗往往比后者高出 1000 倍以上，而主导成本的并非模型输出的新代码或推理步骤，而是反复注入的输入上下文。

论文还点出了一个容易被忽略的剪刀差：高token消耗并不对应高准确率。准确率往往在中间成本区间就已达峰值，继续烧钱反而收益递减。不同模型间效率差异也远超预期，Kimi-K2和Claude-Sonnet-4.5在相同SWE-bench任务上，平均比GPT-5多消耗150万以上token。人类专家对任务难度的判断，与实际token开销只有弱相关，这说明直觉在这里帮不上太大忙。

然而，盲区明摆着的。很少有人注意到背后token成本的爆炸式增长及其随机性。论文数据显示，同一任务不同运行间，总token消耗差异可达30倍，这意味着一次实验可能只需几万token，重跑却轻易烧掉上百万。 更关键的是，准确率并不随token投入线性提升，往往在中间成本区间达到峰值，继续增加投入后边际收益迅速递减。

用户更愿意相信有实证支持的观点，而非泛泛而谈。