模型供应商选择：五维打分、两条备选与迁移成本

选供应商不是选第一名，是选一个你换得起的第一名。

一、榜单第一的那家，三个月后改了价

沈禾一个人做合同条款审阅工具，客户是自由设计师和小型工作室：上传一份客户合同，工具标出付款周期、修改次数、版权归属三类风险，按月 19 美元。

以下情境为教学假设，人物、引语和数字不代表经核实的真实案例。

选型那天她做了三件事：打开两个公开榜单，把排在前三的模型名抄进表格；给供应商 A 充了 20 美元，跑通一个演示；在社区里问了一句「大家都用哪家」。两天后她定了 A，理由是「回复更像人，而且榜单第一」。

第三个月，A 调整计费结构：输出 token 单价上调，免费额度砍掉一半。她的月度推理成本从 61 美元涨到 94 美元，客单价没变。更麻烦的是限流：额度用完后突发流量开始吃 429，工具在客户赶稿的晚上连续失败了四次。

她想换供应商，这才发现适配层是写死的：请求体直接拼 A 的字段名，返回解析依赖 A 的 JSON 结构，连错误码都按 A 的文档分支处理。换一家不是改一个 base URL，是重写调用层、重跑质量验证、再向已付费的客户解释为什么这两周结果会变。她估了 6 个人天，于是没换，只把价格提了 3 美元，流失两个客户。

选型真正要回答的不是「哪家最强」，而是「哪家在我换得起的前提下够用」。 这句话拆开就是三个动作：用自己的题打分、留两条能立刻接上的备选、把迁移成本提前算成钱。

二、五维打分：用自己的题，不看公开榜单

权重的顺序就是你的风险顺序。 通过率占三成，因为一个答不对的模型再便宜也没人用；单价和延迟各占两成，前者决定你能不能长期卖，后者决定用户会不会等；条款与稳定性各占一成半，它们平时不发声，出事时一次就能把前面三项全部作废。

50 条题必须来自你的真实流量。 不要用网上现成的评测集，那些题的语言风格、长度分布和你的用户完全不同。从最近两周的请求里抽 50 条，覆盖常见问法、边界情况、明显不该答的问题，再补几条你已知会失败的。这批题在第 05 篇会扩成正式评测集，这里先用它做选型。

打分锚点要提前写死，不能边打边改。 每个维度只给 1、3、5 三档的文字描述，2 分和 4 分只在两档之间无法归类时使用。这样可以避免「今天心情好给 4 分、明天赶时间给 2 分」的漂移，也让另一个人能复现你的判断。

分数背后要有原始输出。 每家供应商的 50 条回答都存成一个文件，命名带上日期与模型快照。日后出现争议时，你能回看当时它是怎么答的；没有原始输出的分数，一个月后连自己都无法解释。

单价要折算到「单次任务」，不是折算到「每百万 token」。 同一个任务，强模型可能要 1800 输入加 400 输出，弱模型要 2600 输入加 500 输出，因为弱模型需要更长的指令和示例。只看标价会得出错误的排序，必须用你真实 prompt 的 token 分布去乘。

p95 比平均值重要。 平均值 1.2 秒、p95 是 9 秒的供应商，会让你在演示时表现很好、在客户集中使用的时段集中翻车。首 token 时间和总时长也要分开记：流式输出下用户感知的是首 token，而你的超时预算管的是总时长。

条款与稳定性要看书面证据。 「不会用于训练」写在营销页上不算，要写在合同或数据处理协议里；「可用性 99.9%」要能看到状态页的历史记录，而不是只看当月截图。没有状态页的供应商，稳定性这一项最多给 2 分。

入围线是 3.5 分，且至少两家同题跑分。 只有一家参评时，分数没有意义，因为你无法判断 4.2 分是「好」还是「这家恰好在你的题上不失分」。两家用同一批题、同一评分表、同一天跑，才有比较的基础。三家更好，但两家是底线。

三、两条备选：一家兼容供应商，一条弱模型兜底

备选供应商的门槛是「同题能过」。 它不需要和主供应商一样强，但必须在你那 50 条题上达到入围线，否则换过去等于换一个问题。选型阶段就把它跑一遍，把分数记在同一张表里，而不是等主供应商出事时临时找。

「兼容」指的是接口形态，不是模型能力。 能接上的备选至少要满足两条：请求可以用一套统一的抽象层表达，返回可以解析成同一个内部结构。字段名不同没关系，适配层里做映射即可；如果连「一次请求对应一次响应」这种基本形态都对不上，那它只能做第二套代码路径，不能算备选。

弱模型的价值是保住流程，不是保住质量。 用户要的是「这次也能出结果」，哪怕结果差一档。所以弱模型只接低风险、可撤销的功能：草稿、摘要、分类建议；涉及金额、合同、医疗的部分直接走拒答或人工。

提示与解析必须保持中立。 三条具体纪律：提示里不写「你是某某模型」这类供应商专属措辞；解析不靠字符串匹配，而靠 schema 校验加字段兜底；错误处理按 HTTP 语义分支，不按某家的专属错误码分支。做到这三条，换供应商才是改配置而不是改代码。

兜底层要提前写好文案。 模板兜底不是「出错了请重试」，而是把用户原本要的那件事用固定格式补上：条款清单模板、常见问题答案、上次成功结果的缓存。这一层成本接近零，但决定了故障时用户是「等一会儿」还是「明天再说」。

每季度拔一次插头。 在测试环境把主供应商的密钥禁用，观察请求是否自动落到备选、降级文案是否正常、日志是否记得下切换原因。没演练过的备选，在真故障时大概率不生效。具体的三层预案与熔断参数放在第 08 篇展开。

四、把迁移成本算进决策

迁移成本要在签合同前算，不是在出事时算。 出事时你已经没有议价能力，供应商涨价你只能接受，因为换的成本高于忍的成本。签之前算出来，你才知道该不该先投那 6 个人天把适配层做薄。

双跑不是浪费，是保险。 两个月的双跑费用看起来是白花的钱，但它买的是「切换当天质量不掉」这个结论。没有双跑的切换，本质上是拿生产流量做实验，一次质量回退的退款和口碑损失通常超过双跑费用。

有些时候正确答案是不迁。 如果备选的 50 条题得分比主供应商低 15% 以上，或者迁移会让一个核心功能停摆超过一天，那么涨价 30% 也可能比迁移便宜。把两个方案的钱并排放，选小的那个，而不是选「看起来更主动」的那个。

质量回退损失要按最坏情况估。 一部分用户会在切换后一周内发现结果变差，其中一部分会要求退款，还有一部分不投诉但不再续费。把这三类分别乘上历史比例，得到一个保守数字；如果你估不出来，就按一个月收入计。

锁定成本率是决策指标，不是财务报表。 迁移成本除以年 AI 收入，得到「换一次要付掉多少年收入」。教学阈值取 25%：低于这个数，你随时可以走，供应商的涨价威胁不成立；高于这个数，你实际上已经被锁定，应该在选型阶段就把它降下来，而不是等涨价后再谈。

合同里要留三个出口。 数据可导出且格式通用、价格调整提前 30 天书面通知、终止后至少 30 天的只读期。这三条不涉及技术，但决定了迁移成本里最贵的那部分——数据重建和客户解释——能不能被压缩。

每个季度把这三个数字重算一遍。 你的调用结构会变、供应商的价格会变、年收入也会变，上季度 18% 的锁定成本率这季度可能已经是 31%。重算时只替换数字，不改口径，这样前后两季才有可比性。

五、行动清单与复算验收

先跑分，再谈价。 打分表填完之前不要和供应商谈折扣，因为你还没有判断依据，折扣会把你的注意力从「够不够用」拉到「便宜多少」。两家同题跑分通常一个下午就能完成，它是整篇里性价比最高的动作。

备选要在心情好的时候搭。 主供应商正常运行时搭备选，成本是几个小时；主供应商故障时搭备选，成本是几个小时的故障加几个小时的返工。顺序反过来，代价差一个数量级。

打分表只能有一个人维护。 多人各打一份，权重和锚点会在几轮之后悄悄分叉，最后的分数无法比较。如果你有合作者，让他只提供原始输出和盲评排序，加权计算由同一个人完成，并保留每次的评分文件。

• 从最近两周真实请求里抽 50 条，写成独立文件并标注期望要点。
• 用同一批题、同一评分表、同一天跑至少两家供应商，记录原始输出。
• 按五维权重算出加权得分，把低于 3.5 分的直接排除。
• 把入选供应商的输入、输出 token 分布代入单次任务成本，不用标价排序。
• 选定一家兼容备选与一个弱模型，分别记录其 50 条题得分。
• 把提示与解析改成中立写法，禁止出现供应商专属措辞与字符串匹配。
• 按四项成本算出迁移成本与锁定成本率，超过 25% 先做适配层。
• 在测试环境禁用主供应商密钥，验证备选、弱模型与模板兜底依次生效。

验收标准：加权得分、迁移成本与锁定成本率三个数字都能用你手上的真实数据复算出来，且禁用主供应商后 10 分钟内业务仍能出结果。

加权得分 = 0.30×通过率分 + 0.20×单价分 + 0.20×延迟分 + 0.15×条款分 + 0.15×稳定性分
示例：4×0.30 + 3×0.20 + 5×0.20 + 4×0.15 + 3×0.15 = 3.85 → 入围
迁移成本 = 适配人天×日成本 + 双跑月数×月成本 + 评测重跑 + 质量回退损失
示例：6×800 + 2×260 + 1600 + 1200 = 8120 美元
锁定成本率 = 8120 ÷ 24000 = 33.8% > 25% → 先做适配层，再签

使用边界与实操验收

本文讨论的是「一个人或小团队如何在两三家模型供应商之间做选择」，不涉及自建推理集群、模型微调与多区域容灾架构。它假设你已经有可用的产品与真实流量，选型是为了让功能稳定上线，而不是从零验证需求。

• 模型路由与选型：大小模型分层调度 ：它讲同一个请求在多个模型之间怎么按难度分层调度，本文讲供应商层面怎么打分、留备选与算迁移成本。
• 模型网关与多模型路由 ：它讲网关如何统一入口、配置策略分流，本文讲网关之前的选型决策与锁定成本。
• LLM 网关与多模型路由：统一入口、策略分流与故障转移 ：它讲故障转移的工程实现，本文讲为什么要在签合同前就把这条路留出来。

实操验收建议做两次交叉验证。第一次在选型阶段：把两家供应商的 50 条原始输出并排放在一起，请一个不了解技术细节的同事盲评，看她的偏好是否与你的加权得分一致；不一致的地方往往是你权重设错了。第二次在上线一个月后：调出真实的 429 与超时日志，看备选是否被真正触发过，没有触发过就说明健康检查的阈值太松。

本文的分数与权重不是行业标准。 30% 到 15% 的权重分配、3.5 分入围线、25% 锁定成本率，都是为了让判断可执行而选的教学刻度。你的业务如果对延迟极端敏感，或者客户全在受监管行业，权重必须重排。

本文不覆盖的三种情形。 一是需要私有化部署、模型权重不能出内网；二是需要微调才能达到可用质量；三是供应商只在单一区域提供服务且无替代。这三种情况下，「留备选」的成本结构完全不同，需要另一套算法。

关键参考与核验范围

核对日期：2026-10-25。下列来源仅支持明确标注的机制或原则。

• Claude：API Versions : 用于核对 API 版本参数与兼容变更的公开约定。
• Gemini API：Models : 用于核对模型标识与版本的公开入口；不据此推断当前价格或条款。

使用边界。 API 版本、模型标识和可变别名需分别记录。五维权重、3.85 分与 8120 美元迁移成本是本文的教学模型，供应商得分不是实测排名，数据条款仍需逐家核对。

如何自行复核。 用同一脱敏任务集比较候选模型，保存模型标识、API 版本、配置与结果；把数据保留、地区与退出条款单独确认，不能由性能得分抵消。

系列导航

• 上一篇：推理账单：每用户每月、每次调用与毛利下限
• 下一篇：一人产品的提示资产：模板、变量、版本与可复现
• 回到目录：一个人给产品加 AI：判据、成本、护栏与验收
• 相关阅读：LLM 成本治理与 Token 优化 、推理成本核算与 FinOps