章节索引5 个标题 · 点击展开＋
大家好，我是孟健。
我已经把 Grok 的订阅取消了。
做一人公司写代码交付产品，工具顺不顺手，实际用起来最清楚。对于最近这几款模型，我的实际使用判断很直接：Grok 4.7 智能程度很差，写代码总是只照顾眼前的局部，没有全局意识，用着太累，我已经退订。
Claude Opus 5.5 很不错，最大的感觉是说人话，是个扎实的大进步。而在 GPT 阵营里，新出的 GPT 6 Sol 在我目前的体感里不及 Astra；至于小模型 Luna，性价比极高，适合拿来打杂。
面对这么多新名字，我们真正要搞明白的不是厂商吹了什么，而是干活时到底该怎么挑、怎么省钱。
01 审视 Grok 4.7：榜单跑分上涨，日常协作依然卡手#
第三方评测榜单上，Grok 4.7 的分数确实涨了不少。
涨分确实是客观事实。在 Artificial Analysis 9 月 21 日的评测文章里，Grok 4.7 在 xhigh 推理档位、配合专属的 Grok Build 框架下，Coding Agent Index 测到了 56 分，比上一代的 47 分高出一截。这个基准测了挺多项任务，进步本身我不否认。
Artificial Analysis 评测 Grok 4.7
但基准跑分归跑分，自己动手搭业务归自己动手搭业务。一人公司写项目，最耗精力的地方往往不是单个函数怎么写，而是上下游之间的呼应。
打个比方，假设你要给某个模块补一个鉴权判断或者改一下返回字段。如果一个模型缺乏全局意识，它可能会把当前这个函数改得挑不出毛病，语法完美、单测也绿了。可一旦放到整体流程里，上层调用的接口根本没传它新加的参数，或者下游页面展示的状态和这个改动打架了，甚至把原有的兼容逻辑给悄悄抹掉了。这种“局部看全对、放进系统全错”的情况只要多来几次，你就得把整条调用链路人工在脑子里重跑一遍。
写代码不仅是生成一段代码片段，更要保证系统整体行为的一致。如果一个模型总是需要我在后面反复提防它会不会顾头不顾尾，省下来的敲键盘时间全贴补给排查联调了。我的退订决定来自当前的实际干活体感，榜单测得再好，干活不顺手我就不想继续付费。
02 评估 Claude Opus 5.5：说人话能显著减轻改代码负担#
直接看 Claude Opus 5.5，它的实际表现令人印象深刻。
最直观的体验就是：它终于说人话了。Anthropic 官方在 9 月 22 日发布 Opus 5.5 时，特意提到他们在沟通层面做了优化，让表达更自然，并有意识地把核心结论往前放。而在我自己的日常使用中，这种“说人话”的感受特别强烈。
以前有些模型回复起来，先给你铺垫三五段正确的废话，扯一堆术语和设计模式，真正的方案和关键修改藏在最底下。你得先耐着性子做完“阅读理解”，才能搞懂它到底想怎么改。Opus 5.5 则常常是开门见山，先把做法和潜在的顾虑直接抛给你，让人一眼看清思路。对于一个人负责整个产品线的人来说，这种沟通方式极大地减轻了脑力负担，你能立刻判断这个方向靠不靠谱，该盯防哪些边界条件。
CodeRabbit 针对 Opus 5.5 评估
当然，表达变清楚了，绝不等于代码就自带免死金牌，改出来的逻辑照样得仔细过目。
CodeRabbit 在他们的 Standard 审查流水线里测过 Opus 5.5 面对 80 种开源 bug 的表现：Opus 5.5 抓到了 baseline 漏掉的 11 个 bug，但同时也漏掉了 baseline 抓到的 9 个 bug。这说明模型能力的提升更像是换了一批擅长捕捉和容易遗漏的盲区，而不是无懈可击。说人话能让我们看懂方案、审阅更轻松，但该写的自动化检查和人工审查，一步都不能省。
03 对比 GPT 家族：当前体感 Sol 不及 Astra，Luna 成本优势显著#
在 OpenAI 这边，Astra、Sol 和 Luna 三款模型划出了非常清晰的价格档位。
按官方公布的标准 API 定价，每百万 token 的输入和输出费用分别是：Astra 是 10 美元和 50 美元，Sol 是 2 美元和 10 美元，而轻量级的 Luna 只要 0.10 美元和 0.50 美元。Luna 比 Astra 便宜了足足两个数量级。
面对这几款，我建议大家不要看着新名字就直接当作主力。Sol 虽然主打 Agent 编程场景，但在我目前的编码实操体感里不及 Astra。真遇到多层依赖、长上下文或者需要推敲架构的难活，我还是更信任 Astra。
Artificial Analysis 智能与成本分布
不过 Luna 给了我很大的惊喜。在 Artificial Analysis 的评测里，在 max 推理档位配合 Codex harness 下，Luna 的 Coding Agent Index 从上一代的 43 微微变动到 41，但单项任务的测试成本直接降了约 60%。
但在我个人的选型原则里，便宜并不意味着可以默认拿它去交付复杂长任务。大活有大活的复杂度，低价模型适合拿来做一眼看得到边界的小任务，比如写个特定格式的数据转换、补几条清晰的单测，这时 Luna 的超低成本优势就完全显现出来了。
04 实测 0.29 美元隔离样本：验证单次任务下的成本与表现#
为了在受控环境下看看手感，我从自己 ShipSolo 的会员业务里抽了一个独立测试样例。
这个样例一共包含三个文件，整体和线上生产环境彻底隔离，但三个文件之间通过导入相互协作：其中一个 policy 文件是真实业务规则的只读副本，另外两个文件是人工简化的适配器，保留了旧逻辑，分别对应 API 详情、API 列表和页面卡片这三个入口。
题目要求它们统一会员权限规则：一旦新会员记录存在，就绝对不能回退到旧套餐去放行，哪怕新记录是个空数组；遇到过期或撤销的会员状态，必须干净利落地拒绝；详情和列表 API 绝对不能泄漏被锁定的正文；前端页面卡片的状态展示与跳转行为，必须跟后端接口保持一致。
验收标准很死：本地写了 20 组账户测试场景，外加 TypeScript strict 模式编译检查。代码由 API 单次返回后在本地独立跑脚本，不走复杂 Agent 循环。
实测汇总结果我直接贴在下面：
本轮验收与扣费汇总
这一轮里，GPT 阵营的三款各拿了一个完整候选样本，结果全都在 20 组测试场景里拿了 20/20，并通过了 tsc strict 检查。但在扣费上差距极度夸张：Luna 这一趟花了约 0.0015 美元，Sol 花了约 0.0184 美元，Astra 则是 0.0907 美元。
另外两款在这轮里没有拿到有效代码：Grok 4.7 客户端等待 300 秒超时没返回代码，渠道计费约 0.1795 美元；Opus 5.5 连续遇到了两次 429 报错，扣费是 0。这五个入口总共打了 6 次 API 请求，账单总共花了 0.290018 美元，也就是 0.29 美元左右。需要说明的是，这些调用层面的异常并不用于判定模型本身的能力高低，而且我对 Grok 4.7 的退订决定也发生在这项小实验之前。
老老实实讲，单靠这一道题，确实没有在具体成绩上测出我日常体感里的“Sol 不及 Astra”。不过在这个小样例上，Luna 确实顺利通过了测试，这支持了在明确的小任务上优先尝试低成本方案的策略，但它并不代表只要收拢边界就能保证便宜小模型通杀所有复杂场景。
05 规划日常取舍：按任务分工匹配成本，避免盲目追新#
模型迭代再快，掏钱买单的还是我们自己。面对这些模型，我的使用逻辑已经收拢得很清晰：
复杂的大活，交给 Astra 或 Claude Opus 5.5。尤其是多模块串联、需要想明白再动手的任务，Opus 5.5 讲人话、要点在前，审阅起来顺畅；Astra 功底扎实，大局拿捏稳当。把钱花在它们身上，是我愿意为减少沟通和复核负担付费的选择，当然最终代码依然不能免去人工验收。
边界收拢的琐碎小活，先让便宜的 Luna 上。小修小补、转换字段、局部脚本，用 Luna 跑一趟成本几乎可以忽略不计，它能做完你就赚了；做不好再升档也不迟。
至于新出的 Sol，我目前用下来的体感依然不及 Astra，不会拿它当全能主力；而 Grok 4.7 因为总让人在全局联动上提心吊胆，退订了也就退订了，省下费用和精力。
选工具不需要跟风追逐每个新发布的代号。把任务切清楚，难活找明白人，杂活找低成本帮手，这套组合跑下来，交付效率才是真正掌握在自己手里的。
Related