最便宜的AI打赢了贵57倍的Claude，同一个模型换个壳就翻盘

8月7日，一家叫AOE Tech Labs的公司公布了一组评测数据，结果让不少人愣住了。

他们用市面上最便宜的AI模型DeepSeek V4 Flash，混合成本每百万token 0.175美元，在五项第三方基准测试上，全部打赢了Anthropic最贵的旗舰模型Claude Opus 4.8——后者的价格是每百万token 10美元，贵了57.1倍。

第一反应可能是：便宜模型追上旗舰了？但数据不是这个意思。

同一个DeepSeek模型，跑在DeepSeek官方自己的执行系统上，编程基准DeepSWE只得了54.4分，低于Claude Opus 4.8的58.0，五项测试一项没赢。但把同一个模型接到Floatboat执行系统上，DeepSWE直接跳到67.25分，五项全胜。模型一个字都没改，价格没变，唯一换的是外面那层壳。

更关键的规律是：任务越长，差距越大。短任务差距只有1.9%，中等任务9.6%，长程任务一路涨到23.6%。研究团队算了一笔账：不换模型、只换执行系统带来的性能提升，最高达到"把模型升级成贵57倍的旗舰"所带来提升的3.57倍。换句话说，与其花57倍的价钱买更好的模型，不如把包裹模型的那套执行系统做好。

为什么？因为AI做长任务时会犯两种错：一是人的需求一开始没说清楚，做到一半标准才浮现；二是模型每一轮输出都带点小偏差，二十步之后偏差累积成方向性错误，而且它跑得很自信。执行系统的作用就是在每一步把模型拽回正确方向，发现偏差及时纠正，该回头时回头。一个只会往前跑的AI，跑得越久错得越远。

我的判断是：过去两年整个行业都在比拼模型参数和榜单分数，但这组数据说明真正决定AI能不能干活的，可能不是模型本身，而是模型外面那层"操作系统"。这就像同样一个员工，在管理混乱的团队里啥也干不成，在流程清晰的团队里能超常发挥。

模型是发动机，执行系统是底盘和方向盘。发动机再强，没有底盘也跑不起来。

AI DeepSeek Claude 人工智能

════