方法论

一份订阅是怎么被测量的

下面每一个选择，都是为了让同一句话站得住脚：如果你把同样的用量从 API 买回来，这个套餐的额度值这么多钱。这里没有任何一句声称还原了 provider 内部是怎么计量的。

口径

美元，不是 token

token 数量在不同模型、不同 provider 之间不可比。输出 token 大约是输入的五倍价，一次缓存读取大约是十分之一，而每家 provider 的权重都不一样——所以「82M token」在小模型上和在大模型上说的不是一回事。要让 token 可比，就必须选定一组权重，而官方 API 价目表本身就是一组权重：公开、权威，而且由 provider 自己维护着。

更深一层的区别：token 口径是在猜 provider 怎么计量，美元口径是在算用户省下了多少。后者无论 provider 内部发生什么都成立——这就是它成为本站记录口径的原因。

这里主张的是 API Equivalent Value（API 等价价值）——同样的用量按标价买要花多少钱。它不是对 provider 内部账目的主张，后者的权重可能完全不同。

公式

从一个区间到月度上限

\begin{aligned} \text{消耗}\ (\$) &= n_{\text{in}}P_{\text{in}} + n_{\text{out}}P_{\text{out}} + n_{\text{cr}}P_{\text{cr}} + n_{\text{cw}}P_{\text{cw}} \\[8pt] \mathrm{AEV}(w) &= \frac{\text{消耗}\ (\$)}{\text{该窗口已用百分比}} \\[8pt] \text{月度上限} &= \mathrm{AEV}(w_{\text{binding}}) \times \frac{30.4375}{7} \\[8pt] \text{Worth Multiple} &= \frac{\text{月度上限}}{\text{订阅月费}} \end{aligned}

价目表是版本化的。每个区间按记录当天生效的价目表计价，价目表以带 effective_from 日期的数据文件存在仓库里——否则一次降价和一次降额在历史曲线上长得一模一样。

只有 Binding Window 允许外推。乘数是儒略月长 30.4375 天除以窗口天数——weekly 为 30.4375/7 ≈ 4.35。从 5 小时窗口外推，得到的是被周上限卡死、永远拿不到的数字——它被禁止出现在任何公布结果里。

发布实体是套餐，不是模型。同一个套餐用小模型测和用大模型测，折算出的美元值必须收敛到同一个数；模型之间的差距折进 Confidence 等级。

数据模型

快照、观测、增量

Quota Snapshot（额度快照）: 某一时刻对每个窗口的一次读数：已用百分比与重置时间戳。
Observation（观测）: 一对快照，加上这期间记录下来的本地 token 明细。
WindowDelta（窗口增量）: 一次观测对单个窗口意味着什么。质量评分挂在这里，而不是挂在观测上：同一个区间可能因为跨了一次重置而对 5 小时窗口毫无价值，同时对周窗口完全合格。

一条增量算高质量，要满足

区间没有跨过窗口重置——以官方 reset 时间戳判定。
区间足够短。
用量增量足够大——百分比字段是整数，增量越大，舍入误差占比越小。
本地 token 日志在整个区间内连续。
使用的模型可以确定。
客户端状态在区间中途没有改变。
理想情况：单设备、单客户端。

低质量的增量被保留并降权，而不是删除——它们仍然携带着关于漂移的信息，而悄悄丢弃数据本身就是另一种不诚实。

已知噪音

难在哪里

一份订阅的额度是和网页端、桌面端、手机端共享的。本地完全没有记录的用量，照样会推动百分比。
用户报告过对不上的额度状态——日窗口显示 0%，周窗口却已经在限流——以及显示值与实际截断点不一致的情况。
百分比字段被量化到整数，所以每一个小增量都带着最多半个百分点的舍入误差。这就是为什么宁可要大的增量，而不是频繁的增量。
读数按会话缓存：同一账号下的两个活跃会话，在同一瞬间可能报出不同的百分比。因此增量只能取自单个会话自己的序列。第 0 天的实测 →
容量本身随 context 大小、effort level、缓存命中率浮动。没有哪家 provider 承诺固定的 prompt 次数。

所以产出的是带置信区间的估计，不是精确数字。在这里报出四位有效数字的 Benchmark，是在对自己的精度撒谎。

来源分级

每个数字从哪里来

分级	含义
Measured（实测）	从我们自有并运营的 probe account 读到的。
Community measured（社区实测）	由用户贡献的匿名遥测推算得出。
Derived（推导）	由实测套餐经官方倍率换算而来，且只在同一个窗口内使用。
Estimated（估算）	其余全部，并如实标注。估算值绝不会以官方额度的面目出现。

Confidence（High / Medium / Low）按样本量、独立贡献者数量、跨模型的一致程度，以及套餐里是否存在没有公开 API 定价的模型来评级。

发布判据

数字什么时候才会上线

当前这场实验把同一批高质量增量归一化两次——一次按美元，一次按 token——然后比较方差。这张决策表写在数据到来之前：

结果	结论
美元口径方差明显小于 token 口径	计量跟着成本走。方法成立，这一页会照实写出来。
美元口径方差在 ±10% 以内	足以往下做：继续推进 CLI 与聚合管线。
两种口径的方差都在 ±50%	计量里存在没被建模的维度。先搞清计量单位，再谈发布任何 Benchmark。

在前两行之一成立之前，排行榜一直空着。当前进展 →