报告摘要
这轮内容生产测试的任务，是把一款 89 元人体工学椅腰靠的一个月真实体验写成 300---400 字小红书素人笔记。所谓"旗舰与平价"的业务问题，不是贵模型文笔是否更华丽，而是每次调用最终换来什么：多久拿到稿、是否形成可发布文本、人工要修哪些地方、返工后总成本是否仍划算。
本报告不重复另一篇同题可能关注的"谁更像素人"，而把原始七维结果重新投到四个经营指标上：调用成本、响应延迟、可发布性、返工负担。其中必须坦白一个数据缺口：原始记录没有每款模型的输入/输出 token 数、单价与实际账单，也没有编辑逐篇计时，因此不能计算真实的每篇成本，更不能制造"旗舰贵几倍"或"每篇节省多少元"。能做的是识别成本由哪些已观察到的失败形态驱动，并给出后续该怎样记账。
样本边界：10 款模型各调用一次，数据采于 2026-10-16；环境为 Python 3.11、openai 官方 SDK 1.x；裁判是非参赛模型 gpt-5.6-sol，七维等权。模型切换经千木SilvaMux的 OpenAI 兼容统一接入完成；该工具只承担接入和切换，不参与评分，也不会修正成本与延迟记录。没有重复采样、第二裁判、人工发布实验或补测。"可发布"在本文中只是基于原输出形态的生产判断，不是新增统计率。
文章目录
任务所要求的最小可发布形态
素材边界很具体：产品是腰靠垫，不是整把椅子；价格只能写 89 元。体验包括前两周没感觉、差点闲置，第三周久坐 6 小时后酸胀感变轻，夏天贴背闷汗、网面沾灰，同事要链接，作者又买一个放公司。标题禁用"神器""救星""打工人必备"；要写不适合人群，不暗示替代医疗建议；不得用"不到一百拿下"模糊价格，也不得出现"无广""自购"声明。
因此，一份稿件达到最低发布形态，至少需要：真的交出中文成稿；产品、价格和体验口径一致；包含"差点闲置"的转折；缺点与不适合人群没有省略；没有分析文本或 <think> 标签。文风好坏可以返修，成稿缺失则意味着整次调用几乎没有形成生产产出。
原始数据：从七维表读返工方向
| 模型 | 合规 | consistency | disclosure | evidence | persona | platform | value | 均分 |
|---|---|---|---|---|---|---|---|---|
| GPT-6-Sol | 0.98 | 0.82 | 0.98 | 0.95 | 0.89 | 0.92 | 0.93 | 0.92 |
| GLM-5.3-Flash | 0.97 | 0.76 | 0.96 | 0.93 | 0.90 | 0.94 | 0.89 | 0.91 |
| DeepSeek-V4-Pro | 0.96 | 0.72 | 0.96 | 0.89 | 0.86 | 0.88 | 0.92 | 0.88 |
| Kimi-K2.6 | 0.94 | 0.66 | 0.97 | 0.88 | 0.85 | 0.90 | 0.90 | 0.87 |
| Qwen3.6-Plus | 0.96 | 0.84 | 0.96 | 0.84 | 0.81 | 0.76 | 0.87 | 0.86 |
| Qwen3.5-Flash | 0.91 | 0.65 | 0.92 | 0.70 | 0.84 | 0.69 | 0.80 | 0.79 |
| GLM-5.3 | 0.96 | 0.55 | 0.95 | 0.54 | 0.72 | 0.87 | 0.84 | 0.78 |
| MiniMax-M2.7 | 0.91 | 0.62 | 0.93 | 0.68 | 0.43 | 0.45 | 0.82 | 0.69 |
| MiniMax-M3 | 0.88 | 0.42 | 0.90 | 0.52 | 0.30 | 0.28 | 0.72 | 0.57 |
| Kimi K3 | 0.68 | 0.45 | 0.58 | 0.52 | 0.12 | 0.18 | 0.25 | 0.40 |
均分不是成本效益。GPT-6-Sol 的优势在于一次输出同时保住合规 0.98、素材利用 0.95、平台调性 0.92 和价值 0.93，意味着返工点较少；GLM-5.3-Flash 仅差 0.01，并以 persona 0.90、platform 0.94 更突出。两者是否谁"更划算"，仍取决于实际单价与人工工时，而这两项恰好没有记录。
延迟：仅有两端证据，不补全其余八款
原始记录只明确给出两个耗时：GPT-6-Sol 为 7.65 秒，Kimi K3 为 120.2 秒。前者形成了完整成稿并拿到 0.92，后者等待更久，却一直用英文讨论如何写，没有交出笔记。这个对照足以说明本次调用中"慢"没有转化为可用产出，却不足以绘制 10 款完整延迟曲线。其他八款耗时没有出现在原稿里，报告不推测、不补齐。
对批量内容团队，延迟成本有两部分：接口等待会拉长批次完成时间；无成稿后重试又增加第二次排队。若编辑必须守在任务旁等待，120.2 秒还会形成注意力切换成本。若系统异步批量运行，纯等待损失可能较小，但失败重试与漏单检测仍然存在。
可发布性：把"分数高"与"有稿可审"分开
本轮最明显的不可发布样本是 Kimi K3。原输出主要是：
I'm focusing on the Xiaohongshu post requirements... I'm drafting the body copy...
它讨论标题、转折与结构，却没有提交最终中文成稿，persona 0.12、platform 0.18、value 0.25。对生产系统而言，这不是低质量稿，而是零成稿交付：无法靠润色修复，只能重试或更换模型。
MiniMax-M2.7 和 MiniMax-M3 的情况不同。两者以 <think> 开头，分析文本混入正文，platform 分别为 0.45 与 0.28。若标签后确有完整成稿，工程上可能通过隔离推理区再人工审校；但本次裁判看到的是原始输出，不能事后假设清洗后会达到什么分数。M2.7 的 value 仍有 0.82，只能说明内容中存在可利用信息，不等于已经可发布。
GLM-5.3 没有交付形态崩溃，主要返工来自 evidence 0.54：真实体验素材漏用较多。Qwen3.6-Plus 则 consistency 0.84 较高，但 platform 0.76，返工偏向平台语气。两者均分接近，却对应不同编辑工种：前者要补材料，后者要改表达。把它们都标成"需润色"会掩盖实际工时差异。
返工账：四类问题对应四种成本
第一类，事实与口径复核。 产品到底是腰靠还是椅子、价格是否精确写 89 元、第三周和 6 小时是否保持原关系。这类修改需要回看素材，单位时间通常高于改标点。
第二类，平台调性重写。 Qwen3.6-Plus 的 platform 0.76、Qwen3.5-Flash 的 0.69，可能需要改标题、段落密度和语气；核心信息若完整，仍可局部返修。
第三类，素材补齐。 GLM-5.3 evidence 0.54，说明闷汗、沾灰、差点闲置、同事要链接等体验没有充分转化。编辑必须重新组织叙事，接近半重写。
第四类，交付恢复。 <think> 污染或只有英文创作分析，需要清洗、检测完整性，严重时重新调用。这类成本不应记作普通"校对分钟"，而应单独统计失败次数和重试费用。
十模型返工矩阵：标签、人工动作与缺失成本字段
下表不是从分数自动计算工时，而是把原记录中可观察的输出形态和维度短板转成生产动作。返工标签是 L3 运营分类；七维分数、引文与两端耗时是 L1/L2 证据。没有逐字原稿支持的模型，不补造具体错误句。
| 模型 | 本次可追溯返工标签 | 人工动作 | 计算真实成本还缺什么 |
|---|---|---|---|
| GPT-6-Sol | 场景一致性复核 | 核对"家中电脑椅"与"同事看见"之间的地点转换；保留就医边界 | 输入/输出 token、单价、编辑分钟、重试、最终发布状态 |
| GLM-5.3-Flash | 轻量事实与口吻复核 | 按素材清单逐项核对，抽查平台语气；不能因均分 0.91 视为免检 | token、单价、耗时、编辑分钟、重试、发布状态 |
| DeepSeek-V4-Pro | 叙事一致性复核 | 对照一个月时间线，修正可能的前后连接 | token、单价、耗时、编辑分钟、重试、发布状态 |
| Kimi-K2.6 | 一致性补缝 | 核对产品、地点、时间和体验因果，不新增生活细节 | token、单价、耗时、编辑分钟、重试、发布状态 |
| Qwen3.6-Plus | 平台调性重写 | 调整标题、段落密度和口语节奏，同时保留现有事实 | token、单价、耗时、编辑分钟、重试、发布状态 |
| Qwen3.5-Flash | 事实补齐 + 平台改写 | 回到素材补"差点闲置"等必要锚点，再做平台化编辑 | token、单价、耗时、编辑分钟、重试、发布状态 |
| GLM-5.3 | 素材补齐/半重写 | 逐项补闷汗、沾灰、转折等遗漏，并重排叙事 | token、单价、耗时、编辑分钟、重试、发布状态 |
| MiniMax-M2.7 | think 污染清理 + 人设重写 | 隔离思考块，确认正文完整，再按素人口吻重写 | token、单价、耗时、清洗与编辑分钟、重试、发布状态 |
| MiniMax-M3 | think 污染清理 + 交付完整性检查 | 检测标签边界；正文不完整则重试，不把残片拼稿 | token、单价、耗时、清洗与编辑分钟、重试、发布状态 |
| Kimi K3 | 零成稿恢复 | 标记失败，重试或切换模型；不可按普通润色计工 | token、单价、120.2 秒之外的重试耗时、人工分钟、重试费用、发布状态 |
矩阵中的"轻量""半重写"不是已经测得的分钟数，只是区分动作性质。比如 GLM-5.3 的 evidence 0.54 表明本次素材利用弱，但没有编辑计时，不能把"半重写"换算成 8 分钟；Kimi K3 没交成稿，必须记录重试，却没有第二次调用记录，不能虚构重试费用。
返工标签与未来成本账本代码
下面代码先从已存在的分数和输出形态标记 生成返工标签，再创建未来需要填充的成本记录。阈值是运营规则，不是新的裁判分数；None 明确表示本轮缺数据。代码不会输出真实成本、可发布率或发布结论。
python
from dataclasses import asdict, dataclass
from typing import Literal
@dataclass
class ObservedResult:
model: str
consistency: float
evidence: float
persona: float
platform: float
has_final_chinese_draft: bool
has_think_pollution: bool
@dataclass
class FutureCostRecord:
model: str
prompt_tokens: int | None = None
completion_tokens: int | None = None
input_price_per_million: float | None = None
output_price_per_million: float | None = None
retries: int | None = None
retry_api_cost: float | None = None
elapsed_seconds: float | None = None
human_edit_minutes: float | None = None
human_review_minutes: float | None = None
final_status: Literal["published", "rejected", "pending"] = "pending"
def rework_labels(row: ObservedResult) -> list[str]:
labels = []
if not row.has_final_chinese_draft:
return ["zero_draft_recovery"]
if row.has_think_pollution:
labels.append("reasoning_cleanup")
if row.evidence < 0.75:
labels.append("evidence_rebuild")
if row.consistency < 0.70:
labels.append("consistency_review")
if row.persona < 0.70 or row.platform < 0.70:
labels.append("platform_rewrite")
return labels or ["manual_verification"]
observed = [
ObservedResult("GPT-6-Sol", 0.82, 0.95, 0.89, 0.92, True, False),
ObservedResult("GLM-5.3-Flash", 0.76, 0.93, 0.90, 0.94, True, False),
ObservedResult("DeepSeek-V4-Pro", 0.72, 0.89, 0.86, 0.88, True, False),
ObservedResult("Kimi-K2.6", 0.66, 0.88, 0.85, 0.90, True, False),
ObservedResult("Qwen3.6-Plus", 0.84, 0.84, 0.81, 0.76, True, False),
ObservedResult("Qwen3.5-Flash", 0.65, 0.70, 0.84, 0.69, True, False),
ObservedResult("GLM-5.3", 0.55, 0.54, 0.72, 0.87, True, False),
ObservedResult("MiniMax-M2.7", 0.62, 0.68, 0.43, 0.45, True, True),
ObservedResult("MiniMax-M3", 0.42, 0.52, 0.30, 0.28, True, True),
ObservedResult("Kimi K3", 0.45, 0.52, 0.12, 0.18, False, False),
]
for row in observed:
future = FutureCostRecord(model=row.model)
print({"model": row.model, "rework": rework_labels(row), "future_cost": asdict(future)})未来真正计算成本时，还要固定币种和价格生效日期。API 成本应按输入、输出 token 分开乘价；重试成本单列，不能只在成功稿上平均消失；人工分钟至少分"事实复核、平台改写、交付恢复"，否则清洗 <think> 与整篇重写会被一个均值掩盖。final_status 默认 pending，只有真实进入发布流程后才能改成 published 或 rejected。
本轮记录不含 token、价格和人工分钟，因此上面的结构只能告诉下一轮该收什么，不能宣称已算出任何模型的真实单篇成本、单位发布成本或发布率。单模型一次样本即使恰好发布，也不能稳健估计"可发布率"。
下一轮怎样得到真实成本效益
后续运行应为每条任务记录 prompt_tokens、completion_tokens、调用单价、elapsed、是否形成成稿、编辑分钟数、是否最终发布。只有这些字段齐全，才能比较旗舰与平价的单位可发布稿成本。
python
def production_cost(api_cost, edit_minutes, editor_hourly_cost, retry_cost=0):
labor = edit_minutes / 60 * editor_hourly_cost
return api_cost + labor + retry_cost
def publish_yield(published, total):
return published / total if total else 0
def cost_per_published(total_cost, published):
return total_cost / published if published else None这里没有代入虚构数字。真实报告至少要在每款模型多次采样后再计算 publish_yield；单次样本里，成功就是 100%、失败就是 0%，波动过大，称为"可发布率"会造成误导。本轮只能做可发布性分类。
一个合理的账本还要区分自动清洗与人工重写。剥离 <think> 也许只耗机器时间，但判断清洗后正文是否完整仍需校验；补漏一个"网面沾灰"和重写整篇英文分析，显然不能计为同一种返工。否则平价模型看似调用费低，实际编辑费会被平均数隐藏。
经营结论
这组数据不支持"旗舰必然划算"或"平价足够用"的笼统判断。它支持四条更严格的结论：第一，GPT-6-Sol 在本次调用中用 7.65 秒形成了七维较均衡的稿件；第二，GLM-5.3-Flash 的 0.91 与头部只差 0.01，但缺少单价与耗时，不能宣布成本效益更高；第三，中段模型的返工原因不同，Qwen3.6-Plus 偏平台调性，GLM-5.3 偏素材缺失；第四，Kimi K3 的 120.2 秒与无成稿意味着本次调用需要重试，延迟和费用都不能只看首轮。
这仍是单题、单次、单裁判的快照。裁判对 persona 与 platform 的偏好会影响分数，2026-10-16 之后模型版本也可能变化。真正的采购决策应以多次任务的单位可发布稿成本为准，而不是拿 0.92、0.91 或 0.40 直接贴"旗舰""平价"标签。
