基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

其实我自己每个月在 AI 上花的钱不少，Claude、GPT、GLM 都有订阅。但其实有很大一部分预算其实是花在处理生活琐事上的——记账、外卖归类、做一个消费数据分析。这种活差不多每天都得跑一遍，所以token 烧得也不少，尤其是有时候开了深度思考的模型反而更容易给错数据。 后来我才反应过来，手里订阅一个不少，结果我一直在拿 Opus 的钱让它当我的计算器。有点奢侈了，所以我准备切换思路看看有没有节省token的办法。 一、我发现一个反直觉的事 在日常生活当中，我的直觉一直是有钱就上好的贵的效果肯定更好。Claude 4.7 Opus、GPT-5.5、深度思考模式，能切就切。 但是在我每天真正在干的活，尤其是一些琐事的数据整理计算： 把这个月的外卖订单按时间段算个总和 信用卡账单按"餐饮 / 打车 / 订阅"分一下类 一份消费明细 CSV 导进去问几个问题（这个月在哪吃得最多 / 哪几笔有点过了） 报销之前把几张发票的金额加一加 这些活其实顶配模型也都能干。Claude、GPT 我都试过，最后都跑出来了。问题是跑得不太对劲。 最直观的就是慢。一份几百行的消费明细，开了思考模式之后我能看着它"思考 6 秒"“思考 11 秒”——其实本质只是这些数据相加而已没有很复杂的内容。 核心教训：简单数据 + 量大 + 重复，顶配模型在这种场景反而碍事。 二、在 OpenClaw 里试了百灵两个模型，最后选了 flash 我现在配模型的入口是 OpenClaw（之前文章写过怎么搭）。这次把蚂蚁百灵的两个挂上去对比着用： Ling-2.6-1T ：1 万亿总参数，每个 token 激活约 63B。属于真要分析事情那一档 Ling-2.6-flash ：总参数 104B，每次只激活 7.4B flash 这个有点意思。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。