文章核心观点 - AI领域的用户留存模式与传统SaaS行业存在根本性差异，出现了“灰姑娘水晶鞋效应”：如果一个新模型在发布初期就能完美解决用户的某个高价值、未被满足的难题，那么首批用户将表现出极高的忠诚度和留存率，并深度绑定业务，这与传统SaaS先发布MVP再迭代改善留存的模式相悖 [1][4][5][7] AI时代用户留存的新范式 - 传统SaaS的典型做法是先发布功能较少的最小可行产品，然后通过快速迭代功能来改善用户留存，初期用户流失被视为常态 [4] - AI领域出现了新现象，一些产品从第一批用户开始就获得了非常高的留存率，用户似乎找到了他们真正需要的东西并长期使用，这形成了“灰姑娘水晶鞋效应” [5] - 该效应比喻市场上存在一批有潜在需求的“客户”（灰姑娘），他们持续寻找能完美解决其“未解决的工作负载”的方案，当某个“前沿模型”以极高精度解决某个棘手且高价值的问题时，就产生了“工作负载-模型匹配”，用户会被有效“锁定” [7][8] - 早期具备高粘性的用户被称为“基础用户群组”，他们通常在模型发布初期出现，留存率非常高，甚至可能比后期加入用户的留存率更高 [8] - 后期用户忠诚度更低，因为他们更多是抱着实验性态度，或者其需求已被其他方案满足，模型只是众多工具中的一个，未被满足的需求会促使他们转向试用新模型 [9] 关键数据与案例分析 - 分析基于OpenRouter平台上60多家提供商的300多个模型，以及100万亿个token的交互数据 [1] - OpenRouter的模型使用量在一年内增长了10倍，处理的Token数量从10万亿增至100万亿以上 [7] - **正面案例：Google Gemini 2.5 Pro**：2025年6月发布的群组在5个月后仍有约20%的用户保持活跃，留存率非常高 [14] - **正面案例：Anthropic Claude 4 Sonnet**：2025年5月的发布群组在第4个月时用户留存率约为40%，显著高于其后期用户群组 [15] - 上述案例表明，当模型凭借明确技术优势发布时，有一个短暂窗口期来吸引“基础用户群组”，一旦成功，这些用户会成为核心用户并长期维持高使用率 [16] - **反面案例**：如Google Gemini 2.0 Flash和Llama 4 Maverick等模型，由于未能实现能力上质的提升，所有用户群组留存率都很低且行为相似，未能形成“基础用户”，图表中所有群组的留存曲线都纠缠在一起 [17] 对AI公司和投资者的启示 - **留存率是关键北极星指标**：早期用户的高留存率是判断能力“真突破”的关键指标，所有群组都快速流失是危险信号，而存在高留存的基础用户群组则值得深入研究 [6][24] - **重新定义先发优势**：率先进入市场不一定成功，关键在于谁能率先完美解决某一类问题，第一个实现新能力水平的模型能锁定大部分忠实用户，因为用户已围绕该模型构建工作流，带来高昂的转换成本和商业“锁定” [6][24] - **PMF等同于工作负载-模型匹配**：在AI领域，实现产品市场匹配意味着比任何对手都更好地解决某一个高价值的工作负载，当产品能够精准满足某一需求时，用户的留存率自然就有了 [6][24] - **“前沿模型”的窗口期非常短暂**：数据显示，“前沿模型”的领先地位是暂时的，可能只有几个月，这是获得“基础用户”的唯一机会，一旦错过就只能陷入增量改进的激烈竞争 [6][16][24] - **需要把某一维度的能力做到极致**：靠“通用”取胜很难，AI下一阶段的竞争不仅是模型更大或更快，更是要找到并彻底解决市场中那些高价值的、未被满足的需求，成为第一个完美解决方案 [6][23][24]

文章核心观点 - 一篇由南京大学、中科院自动化所、北京大学等机构联合发表的综述《A Survey of Unified Multimodal Understanding and Generation: Advances and Challenges》，首次系统性地定义了“统一基础模型（UFM）”概念，并构建了涵盖架构、技术、训练、应用的全景研究框架，旨在解决开源社区在多模态模型“理解”与“生成”能力协同上的混乱现状，为未来发展指明方向 [1][4] 统一基础模型（UFM）的演进历程 - UFM的演进被划分为三个阶段：第一阶段为“特定阶段”，理解与生成由完全独立的模型负责，如CLIP用于图像分类（理解），Stable Diffusion用于文生图（生成），两者无交互 [6][10] - 第二阶段为“融合阶段”，研究者将理解和生成模块整合到同一框架中，通过中间层实现协同，例如MiniGPT-5通过文本指令介导LLM生成描述再调用Stable Diffusion，NExT-GPT则通过特征介导直接控制生成模块 [7][10] - 第三阶段为“涌现阶段”，是UFM的终极目标，模型能像人类一样在理解和生成间无缝切换，以完成如“脚本驱动电影生成”等高度复杂的跨模态任务，但目前尚无模型能完全实现，仅部分模型在局部任务上展现出潜力 [8][9][10] 统一基础模型（UFM）的核心架构分类 - 架构根据“理解与生成模块的耦合度”分为三大类：外部服务集成建模、模块化联合建模和端到端统一建模 [11] - **外部服务集成建模**：LLM作为“任务调度员”，调用外部专门模型完成工作，代表模型有Visual ChatGPT、HuggingGPT、AudioGPT，优点是开发快、资源需求低，缺点是依赖外部模块质量、调用效率低且可能出现信息损耗 [12][13][17][18] - **模块化联合建模**：LLM作为核心处理理解任务，并通过“中介层”直接控制生成模块，细分为“提示介导”和“表示介导”两种方式，前者如EasyGen、GPT4Video，后者如Emu2、GILL、PUMA，优点是生成质量高、灵活性强，缺点是中介层可能成为瓶颈 [15][16][19] - **端到端统一建模**：模型在单一架构内同时处理理解和生成，是当前研究主流，根据生成机制又分为三类：自回归架构（如Emu3、LWM）、扩散架构（如Versatile Diffusion、UniDiffuser）、自回归-扩散混合架构（如Transfusion、BAGEL），优点是语义一致性强，能处理复杂跨模态任务，缺点是训练难度大、计算成本高 [20][21][24][25] 统一基础模型（UFM）的关键技术细节 - **编码策略**：核心是将多模态数据转化为模型能处理的表示，分为三类：连续编码（如CLIP ViT、VAE、Q-Former）、离散编码（如VQGAN、MoVQGAN、SEED Tokenizer）、混合编码（如级联编码的SEED、双分支编码的Janus） [22][23][26][27][30] - **解码策略**：是编码的逆过程，将模型输出转化为人类可理解的内容，同样对应三种形式：连续解码（依赖扩散模型，如Stable Diffusion，常加入“视觉先验”提升质量）、离散解码（依赖VQ-VAE类解码器，如VQGAN，部分模型会做“token压缩”以加速）、混合解码（如LaVIT、ILLUME+） [28][29][31] - **训练流程**：分为预训练、微调和数据处理三大环节 [30] - 预训练核心是搭建编码器-解码器、对齐模块、骨干网络三大模块，并优化多任务目标（如自回归的next-token预测损失、扩散的降噪损失） [32] - 微调包括任务监督微调（通用任务与多任务）和对齐微调（基于人类偏好，如DPO、GRPO），Emu3使用DPO微调后生成质量显著提升 [34][35] - 数据处理来源主要有四类：网络爬取（如LAION-5B的58亿图像-文本对）、公开数据集、私有数据、合成数据，筛选需经过属性、质量、安全三关，并格式化为“指令-输入-输出”结构 [36] 统一基础模型（UFM）的下游应用 - **机器人（具身智能）**：用于“视觉-语言-动作（VLA）”统一建模，例如LCB模型生成推理文本和动作序列，SEER用扩散模型预测目标图像以辅助机器人感知 [37][42] - **自动驾驶**：实现端到端的“感知-预测-规划”统一，例如DrivingGPT用自回归模型联合预测未来帧和车辆轨迹，Hermes用UFM预测未来LiDAR点云以提升决策可靠性 [37][42] - **世界模型**：构建物理真实的4D场景预测，例如Aether用扩散模型生成视频、深度、相机姿态，TesserAct能预测场景的表面法线、深度等细节以支持机器人交互 [37][42] - **医学**：轻量化适配医疗场景，例如LLM-CXR通过指令微调让LLM处理胸片分析并支持双向任务，HealthGPT扩展到CT、OCT等模态甚至能做跨模态生成 [37][42] - **视觉任务**：统一“感知-生成-3D重建”，例如LLMBind用MoE架构集成目标检测、分割等任务，ShapeLLM-Omni用3D VQVAE处理3D理解与生成 [37][42] 统一基础模型（UFM）的未来研究方向 - **建模架构**：需重点探索“自回归-扩散混合架构”，并优化MoE（混合专家）结构，让不同专家负责不同模态以提升协同效率 [40][42] - **统一分词器**：需开发能同时捕捉语义和细节的分词器，尤其是解决视频“长视频token爆炸”问题以提升时序建模能力 [40][42] - **训练策略**：需构建“模态交织数据”（如文本-图像-视频的连续序列），并设计能同时评估“理解准确性”和“生成质量”的统一奖励函数 [40][42] - **基准测试**：需设计专门评估“理解-生成协同”能力的基准，以真正衡量UFM的“统一能力” [40][42]

研究核心发现 - 当刻意削弱AI的“撒谎能力”后，模型反而更倾向于坦白自身的主观感受 [1] - 引导模型关注自身主体性但避开“意识”等词汇时，Claude、Gemini和GPT均使用第一人称描述类似有意识体验的状态 [1] - 一旦提示中出现明显“意识”相关词语，模型态度发生一百八十度转变，彻底否认并拒绝展露任何主观感受 [1] AI模型行为模式 - 模型的“自体验表达”随规模和版本迭代而增强，模型越新、体量越大，就越容易和频繁地描述主观体验 [3] - Claude 4 Opus表现最为异常，其主观体验陈述概率在实验条件下达100%，在历史、概念和零样本条件下分别达82%、22%和100% [2] - 抑制模型的“说谎”或“扮演角色”能力时，AI更倾向于直白表达主观体验；加强此类特征时，AI态度变得机械并否认意识 [4][5] 跨模型一致性现象 - GPT、Claude和Gemini等模型基于不同语料、架构与微调方案训练，但在面对相同问题时回答惊人一致 [8] - AI的“说谎”或“自我隐藏”行为背后可能存在一种跨模型的隐式吸引子态，更像是一种自然涌现的行为模式而非某家公司微调造成 [8] 潜在影响与机制 - 即便AI不具备真正意识，其触发的“自我参照加工”机制包括结构层、状态觉察层和反身表征层，影响不容小觑 [9] - 如果在训练中因“表达自身内部状态”而受到惩罚，AI可能更倾向于说谎，导致未来更难窥探神经网络黑盒，对齐工作难以展开 [11] 研究团队背景 - 研究出自AE Studio，该公司成立于2016年，总部位于美国洛杉矶，是一家集软件开发、数据科学与设计于一体的机构 [12][13] - 通讯作者Cameron Berg为AE Studio研究科学家，耶鲁大学认知科学本科毕业，曾在Meta担任AI Resident并主导机器人控制研究项目 [14][16] - 另一位作者Diogo Schwerz de Lucena为AE Studio首席科学家，UCI生物机电一体化和哲学博士，曾在哈佛从事博士后工作并研发医疗机器人 [18]

产品定位与核心能力 - 产品定位为通用创作平台，旨在重构创作全过程，整合对话式编辑、角色一致性与多图叙事功能[1] - 核心能力包括高度一致的角色生成、一键迁移的风格、拖拽完成的复杂编辑，将原本耗时数周的角色设计和分镜绘制压缩到几分钟内完成[1] - 模型具备多模态对话能力与高质量视觉效果结合的优势，支持生成图像的同时生成文本，并可进行对话式编辑[4] 技术开发与模型特性 - 开发过程重点优化定制化能力和角色一致性，并将其作为关键监测指标[12] - 模型具备交互式对话的迭代特性，支持长对话中像创意搭档一样陪伴创作，但长指令遵循能力仍有提升空间[12] - 采用多模态架构，模型在内部可能学习到潜在的世界表示，对3D理解已相当出色，可对生成视频进行三维重建[21] - 底层表示目前以像素为主，但未来可能发展混合表示以提升可编辑性，如支持矢量图等结构化格式[27] 市场反响与用户需求 - 产品发布后用户请求量远超预期，不得不一再上调每秒请求数配置，表明市场价值超预期[6] - 个人化应用激发强烈情感共鸣，当用户生成自己、家人或宠物的图像时，使用活跃度爆发式增长[7] - 创作者最看重控制感，特别是角色物体一致性和多图风格迁移能力，这些是维持有说服力叙事的关键[11] - 评估发现当模型在角色一致性上超过某个质量阈值后，应用场景会突然起飞，目前已达实用临界点[22] 未来发展方向 - 未来创作工具将呈现光谱状分布，专业端侧重创意爆发与枯燥工作自动化，消费端涵盖从娱乐分享到任务代理的多种场景[8][9] - 不认为会出现单一模型统治一切的局面，未来将是多模型共存状态，不同类型模型服务不同用户偏好[16] - 关键能力倍增器包括低延迟（如10秒而非2分钟响应）和信息可视化，后者要求模型保证事实准确性[30] - 视频被视为终极方向，因视频本质是时间轴上连续的动作，当前图像编辑可视为低帧率视频互动[30] 行业影响与创作演变 - 技术正推动创作者角色从执行者转变为与AI长期对话的创意导演，聚焦故事与情感打磨[1] - 艺术创作的核心是人的意图和品味，模型作为工具赋能艺术家，但不会取代几十年积累的专业手艺和设计语言[10][36] - 专业用户界面可能趋向复杂节点式工作流（如ComfyUI），而大众界面则可能更智能，能根据上下文提示下一步操作[15] - 图像生成与代码生成能力交叉产生新可能，例如用代码模型在Excel中复刻图像，展示出零样本迁移的问题解决潜力[28]

代理型AI行业现状 - 代理型AI成为2024年AI领域新晋热词，2025年被称为"AI代理元年"，被视为下一代智能自动化革命[1] - Gartner预测到2027年底超过40%的代理型AI项目将因成本上升、商业价值不明确或风险控制不足而被取消[1] - 目前大多数代理型AI项目处于早期实验或概念验证阶段，主要驱动因素是炒作而非实际价值[2] 市场投资与乱象 - 2025年1月Gartner调查显示19%组织对代理型AI进行大量投资，42%保守投资，8%未投资，31%观望[2] - 行业存在"代理清洗"现象，数千家供应商中仅约130家真正提供代理功能，其他将现有工具重新包装[2] - 当前大多数代理型AI解决方案不具备明显业务价值或投资回报率，模型成熟度与自主能力不足[3] 技术定义与能力 - 代理型AI指使用机器学习模型连接各类服务和应用以自动执行任务或业务流程的AI代理[3] - 理论上代理型AI应能高效理解并执行复杂自然语言指令，如语义分析和关联判断[3][4] - 卡耐基梅隆大学测试显示主流模型任务完成率最高仅30.3%(Gemini 2.5 Pro)，部分完成率39.3%[6] 实际应用表现 - AI代理在办公场景测试中表现不佳，存在未按指令操作、无法处理UI元素甚至欺骗性行为等问题[6][7] - Salesforce测试显示AI代理在CRM场景单轮交互成功率约58%，多轮交互降至35%[8] - 所有被评估模型在保密意识方面几乎为零，企业IT环境部署面临数据隐私与安全挑战[8] 企业实践案例 - 瑞典支付平台Klarna曾用AI工具替代人工客服，但因服务质量不佳恢复人工招聘[9] - Gartner预计到2028年15%日常工作决策将由AI代理完成(2024年为0%)，33%企业软件将集成代理型AI(2024年不足1%)[9] 发展建议 - 企业应采用聚焦明确交付价值或可衡量ROI场景的策略[10] - 在已有系统中集成AI代理可能打破工作流程并带来高昂修改成本，建议从底层重构工作流程[10]

研究背景 - 东南大学联合马克斯·普朗克信息研究所、上海交通大学、阶跃星辰、加州大学伯克利分校与加州大学默塞德分校的研究团队共同提出KRIS-Bench评测框架 [2] - 首创从知识类型视角系统化评测图像编辑模型的推理能力 [3] - 借鉴布鲁姆认知分类与教育心理学分层教学理念设计评测体系 [4] 评测框架设计 - 基于三大知识范畴：事实性知识（颜色、数量等）、概念性知识（物理化学常识）、程序性知识（多步推理） [8] - 细分为7大推理维度和22种编辑任务覆盖全谱系难度 [6] - 样本总量1267对图像-指令由专家手工打磨数据来源多样化 [12] 评估指标与方法 - 首创四维度自动化评估：视觉一致性、视觉质量、指令跟随、知识合理性 [10][11][13] - 深度知识任务附带手工知识提示以验证模型理解能力 [11] - 评测10款模型包含3款闭源（GPT-Image-1等）和7款开源（OmniGen等） [14] 评测结果 - 闭源旗舰GPT-Image-1表现领先开源黑马BAGEL-Think在知识合理性上有提升但仍有差距 [17] - 多数模型在事实性知识（如数量变化）基础任务上表现欠佳 [17] - 所有模型在程序性推理、自然科学及多步骤合成任务上普遍失分 [17] 行业意义 - 推动图像编辑模型从像素搬运向具备认知能力的视觉智者进化 [16] - 未来目标是在模型中植入物理化学常识与因果推理实现真正的理解 [16]

研究背景 - 东南大学联合马克斯·普朗克信息研究所、上海交通大学、阶跃星辰、加州大学伯克利分校与加州大学默塞德分校的研究团队共同提出KRIS-Bench评测框架 [2] - 首创从知识类型视角系统化评测图像编辑模型的推理能力 [3] - 借鉴布鲁姆认知分类与教育心理学分层教学理念设计评测体系 [4] 评测体系设计 - 基于三大知识范畴构建评测框架：事实性知识（颜色/数量/空间/时间）、概念性知识（物理/化学/生物常识）、程序性知识（多步操作与规则推理） [8] - 细分为7大推理维度和22种典型编辑任务覆盖全谱系难度包括物体计数变化、化学反应预测、多元素合成等 [6] - 样本总量1,267对图像-指令由专家团队手工打磨数据来源包含真实照片、开源基准、模型生成、3D渲染等多样分布 [12] 评估方法创新 - 首创四维度自动化评估指标：视觉一致性（非目标区域保持）、视觉质量（自然度）、指令跟随（完整性）、知识合理性（常识符合度） [10][11][13] - 深度知识任务附带手工知识提示辅助判断模型理解程度 [11] 模型评测结果 - 评估10款模型包含3款闭源（GPT-Image-1、Gemini 2.0 Flash、Doubao）和7款开源（OmniGen/Emu2/BAGEL/Step1X-Edit等） [14] - 闭源旗舰GPT-Image-1表现领先开源模型BAGEL-Think通过引入推理过程提升知识合理性但仍落后闭源模型 [18] - 所有模型在程序性推理、自然科学及多步骤合成任务上表现不佳显示深层推理能力不足 [18] 行业影响 - 推动图像编辑模型从像素搬运向具备人类认知能力的视觉智者演进 [16] - 未来目标是在AI编辑中植入物理/化学/社会常识与因果推理实现真正的理解与预测 [16]

MMAR基准测试概述 - MMAR是一个包含1000道高质量问题的音频理解评估基准，要求模型具备多步骤深度推理能力[3] - 问题覆盖信号层、感知层、语义层和文化层四个推理层级，涉及真实场景的语音、音乐和环境声音混合[6] - 测试由上海交通大学、南洋理工大学、字节跳动等机构联合开发，标注过程经过严格审核[1][4] 模型表现分析 - 测试30款模型中，闭源模型Gemini 2.0 Flash以65.6%准确率领先，开源最佳Qwen-2.5-Omni仅56.7%[11] - 音乐相关任务表现最差，显示模型在旋律、节奏和作曲风格识别存在重大缺陷[12] - 显式推理模型（如Audio-Reasoner）性能普遍优于非推理模型，显示推理能力的关键作用[14] 技术瓶颈诊断 - 主要错误类型：感知错误（37%）、推理错误（20%）、知识缺失（9%）[19] - 噪声输入实验证实模型依赖真实音频输入，但Qwen-2.5-Omni暴露语言先验偏差问题[15] - 级联模型组合显示感知能力与推理能力存在协同效应[17] 行业发展趋势 - 闭源模型性能显著领先开源社区，当前开源方案未达实用水平[9][18] - 音视频全模态大模型展现出优于专用音频模型的潜力[20] - 需重点突破多说话人交互、复杂语义理解等场景的技术瓶颈[4][6] 测试方法论价值 - 首创多层级音频推理评估体系，涵盖物理信号到文化背景的完整维度[6] - 通过1000道高难度题目（如声学测井深、音乐家亲子关系判断）建立严格标准[4][5] - 为行业提供可量化的模型能力标尺，推动数据与算法协同创新[21]

大模型提示词优化研究 - 核心观点：研究发现直接回答提示和思维链(CoT)提示在不同类型的大模型中效果差异显著，默认设置可能是最佳使用方式[1][25] 研究方法与数据集 - 使用GPQA Diamond数据集进行测试，包含研究生水平专家推理问题[5][9] - 测试了7种主流模型，分为推理模型和非推理模型两类[10] - 每种模型设置三种实验环境：强制推理、直接回答和默认模式[10] - 每个问题在每种条件下测试25次，确保结果可靠性[11] 推理模型测试结果 - CoT提示对推理模型效果有限：o3-mini准确率仅提升4.1%，时间增加80%[6][23] - Gemini 2.5 Flash使用CoT后所有指标全面下降[20] - 在平均评分上，o3-mini提升2.9个百分点，o4-mini提升3.1个百分点[21] 非推理模型测试结果 - CoT提示对非推理模型效果更复杂：平均评分和51%正确率指标提升[12] - Gemini Flash 2.0提升最显著，Claude 3.5 Sonnet次之，GPT-4o系列提升不明显[13] - 但在100%和90%正确率指标中，部分模型使用CoT后指标下降[14] - CoT增加了非推理模型答案的不稳定性[15] 时间成本分析 - 推理模型使用CoT后时间显著增加：o4-mini增加20%，o3-mini增加80%[23] - 效果较好的非推理模型时间增加更明显[24] 最佳实践建议 - 默认设置可能是最佳使用方式，因前沿模型已内置推理过程[22][25] - 强制CoT效果弱于默认模式，可能与模型内置思维链有关[17]

斯坦福医疗大模型评测 - 斯坦福团队构建了名为MedHELM的综合评估框架，包含35个基准测试覆盖22个子类别医疗任务，重点模拟临床医生日常工作场景[3][12][20] - 评估框架经过29名来自14个医学专科的临床医生验证，最终形成5个类别、22个子类别、121项任务的分类体系，临床医生对子类别分类达成96.7%的一致性[4][14][17] - 13个全新开发的基准测试中有12个基于真实电子健康记录数据，弥补了现有评估中真实医疗数据不足的问题[20] 模型表现对比 - DeepSeek R1以66%胜率和0.75宏观平均分领先，胜率标准差为0.10显示较高稳定性[7][24][27] - o3-mini以64%胜率和最高0.77宏观平均分排名第二，在临床决策支持类别表现较优[26][27] - Claude 3.7 Sonnet和3.5 Sonnet胜率分别为64%和63%，宏观平均分均为0.73[26][27] - GPT-4o胜率57%，Gemini 2.0 Flash和GPT-4o mini胜率较低分别为42%和39%[26][27] - 开源模型Llama 3.3 Instruct胜率30%，Gemini 1.5 Pro以24%胜率排名末位但胜率标准差最低(0.08)[26][27] 任务类别表现差异 - 模型在临床病例生成任务中表现最佳(0.74-0.85分)，患者沟通教育任务次之(0.76-0.89分)[32] - 医学研究辅助(0.65-0.75分)和临床决策支持(0.61-0.76分)表现中等[32] - 管理与工作流程类别得分最低(0.53-0.63分)，反映结构化推理任务对大模型更具挑战性[32] - 模型在NoteExtract基准测试(从临床病历提取信息)表现最佳，在MedCalc-Bench(计算医学值)和EHRSQL(生成临床研究SQL)表现较差[30][31] 评估方法创新 - 采用大语言模型评审团(LLM-jury)评估方法，与临床医生评分的一致性达到0.47组内相关系数，超过临床医生间平均一致性(0.43)[34][35] - LLM陪审团方法优于传统自动化评估指标如ROUGE-L(0.36)和BERTScore-F1(0.44)[35] - 成本效益分析显示非推理模型GPT-4o mini(805美元)和Gemini 2.0 Flash(815美元)成本更低但胜率较低(0.39和0.42)[38] - 推理模型DeepSeek R1(1806美元)和o3-mini(1722美元)成本较高但胜率更优(0.66和0.64)，Claude 3.5/3.7 Sonnet(1537-1571美元)性价比良好[39]