跳至内容
从零看懂 CodexRadar 的帕累托图:做得好、花钱少、等得短,怎么选?

从零看懂 CodexRadar 的帕累托图:做得好、花钱少、等得短,怎么选?

所属专题:CodexRadar 帕累托图解

你打开一个模型排行榜,看到某个档位成绩最高,很容易觉得:“那我以后就用它。”

但用模型完成任务时,你还会遇到另外两个问题:它要花多少钱?我要等多久?

如果只是让模型改一句话,为多一点分数等上十分钟,你可能觉得不值。如果是解决一个重要问题,多花一点钱、等得久一点,你也可能愿意。

这个页面用帕累托图,就是为了把“结果好不好”和“为它付出多少代价”放到一起,让选择有依据。 图表会先帮你筛选候选,最终的选择仍取决于你的需求。[资料 1、4、5]

本文资料核对于 2026 年 11 月 13 日。真实例子来自页面展示的 2026 年 11 月 12 日批次,8 个模型、46 个档位。模型名称沿用页面;本文分析的是该站这批记录,并未另行验证模型身份或官方产品对应关系。

1.先不管模型,想象你在挑四家做同一份工作的服务商

下面全部是教学假设。先只考虑两个指标:完成质量和价格。

方案费用完成质量
A1 元70 分
B2 元85 分
C4 元95 分
D3 元80 分

看看 D 和 B:D 收你 3 元,只做到 80 分;B 只收 2 元,却能做到 85 分。

在只考虑价格和完成质量的前提下,B 比 D 更便宜,做得还更好。选 D 就没有这两个指标上的优势。

用数学语言说:B 支配 D。你可以把这个词理解成“在关心的指标上,B 没有一项比 D 差,而且至少有一项更好”。

再看看 A、B、C:

  • A 最便宜,不过成绩最低。
  • B 多花 1 元,换来更高成绩。
  • C 成绩最高,不过要付出更多钱。

这三个方案之间都有取舍。你不能只凭价格和成绩,就说其中一个把另外两个全面比下去了。

没有被其他方案这样比下去的候选,组成了“帕累托前沿”。 在这个例子里,就是 A、B、C。[资料 4]

四个虚构方案看懂帕累托前沿

“前沿”的作用可以记成:先把有明显更好替代品的选项放到一边,再认真比较留下来的选项。

这里还有一个容易混淆的地方:你可能听过“帕累托法则”,也就是常说的二八法则。读这张图时,我们使用的是多目标优化里的“帕累托前沿”概念,不需要套用 20% 和 80% 的比例。

2.回到网页:先认清一个点,再认清两个方向

网页里的每一个点,代表一个“模型 + 档位”。例如,同一模型的 high 和 xhigh 是两个点。

三张图的纵轴相同:这批四道题的总成绩,满分 150 分,越高越好。

横轴则分别是三种代价:

图横轴表示什么这张图帮助你问什么
成绩与费用每题平均的 API 等价费用这个成绩要花多少钱?
成绩与耗时每题平均的端到端耗时要等多久,才能得到这个成绩?
成绩与综合成本费用与耗时平方组合成的指数按这套兼顾钱与时间的规则,哪个更合算?

所以三张图都可以按一个方向读:

向上,表示成绩更高;向左,表示该图衡量的代价更低。

一个点如果在另一个点的左上方,就意味着:代价更低,成绩还更高。这样的替代关系很直观。相同成绩下更靠左,或者相同代价下更靠上,也可以形成支配。

但“看左上”不能变成“只选最左边”或“只选最上边”。最左边可能成绩不够,最上边可能超出预算。你是在找适合自己要求的取舍。[资料 1、4]

3.用页面里的一个真实对比,感受它能解决什么问题

在保存的快照里,有下面两个档位:

页面中的档位成绩 / 150每题 API 等价费用每题平均耗时
GPT-6.1 Terra · max136.390.2087 美元6.98 分钟
GPT-6.1 Sol · high135.000.2700 美元7.21 分钟

第一行比第二行成绩略高、费用更低、耗时也略短。只按这次记录中的这三个指标,第一行有更好的数据表现。

如果只看模型名、档位名,或者只看总分榜,你不一定马上发现这件事。画成散点图,就容易看到第一行在更有利的位置。[资料 1、2、3;已逐项复算]

真实数据:费用与成绩的帕累托前沿

图里的绿色空心圈标出“成绩与费用”这两个指标上的前沿。绿色连线帮助你沿着这些候选看过去。

连线中间并不代表还有一个可以买到的模型档位。 候选是实际测过的那些点;连线只是读图辅助。

也别从这个例子推导出“某个模型以后永远更好”。它说明的是:在这次测试、这些任务和这套计分方式下,可以观察到这样的比较结果。

4.为什么同一个档位,在一张图里值得保留,换张图就不一样?

因为你问的问题变了。

继续看真实数据:

页面中的档位成绩 / 150每题 API 等价费用每题平均耗时
GPT-6.1 Sol · xhigh144.400.3422 美元8.96 分钟
GPT-6 Astra · ultra143.411.4187 美元8.29 分钟

先看“成绩与费用”:Sol xhigh 成绩更高,费用还低。Astra ultra 在这张图里有更好的替代候选,因此没有进入这张图的前沿。

再看“成绩与耗时”:Sol xhigh 成绩更高,但 Astra ultra 更快一些,大约少等 40 秒。这就出现取舍了。按全部 46 个档位计算,两者都进入了耗时图的前沿。[资料 1、2;已按网页前端同一规则复算]

真实数据:耗时与成绩的帕累托前沿

这也解释了为什么要提供三张图:省钱、赶时间,以及兼顾两者,是不同的选择问题。

每张图里的前沿,只针对“成绩 + 当前横轴”计算。“费用图中不在前沿”并不等于“考虑速度后也没有价值”。如果要同时保留成绩、费用、耗时三个独立目标,就需要在三个维度上比较,不能把单张二维图的结论直接扩大。

5.“综合成本”具体怎么算?一步一步来

网页使用的规则可以写成:

$$ 综合指数

\frac{每题费用}{1\text{ 美元}} \left(\frac{每题耗时}{10\text{ 分钟}}\right)^2 $$

先不要被公式吓住。假设一次任务花 1 美元,用时 10 分钟:

(1÷1)×(10÷10)2=1 (1÷1)×(10÷10)^2=1

如果同样花 1 美元,用时只有 5 分钟:

(1÷1)×(5÷10)2=0.25 (1÷1)×(5÷10)^2=0.25

如果同样花 1 美元,用时变成 20 分钟:

(1÷1)×(20÷10)2=4 (1÷1)×(20÷10)^2=4
假设情形费用耗时综合指数
A1 美元5 分钟0.25
B1 美元10 分钟1
C1 美元20 分钟4

你会发现:时间翻倍,指数会变成原来的四倍。 这是“平方”产生的效果。

相反,在时间不变时,费用翻倍,指数只翻倍。换句话说,这套规则对时间的相对变化更敏感。

再比较两个假设方案:

  • 方案甲:1 美元、10 分钟,指数是 1。
  • 方案乙:2 美元、5 分钟,指数是 0.5。

乙虽然贵了一倍,但用时减半,所以按这套规则,它的综合指数更低。[资料 1、2;上述数值为教学计算]

耗时平方怎样改变评价

这项指数表达了一种评价偏好:希望模型既省钱又快,而且尤其不喜欢等待变长。

它有三个地方需要分清:

第一,它是一个指数。 指数为 0.5,不能读成“实际花了 0.5 美元”。钱和时间已经被组合进一个没有货币单位的比较量。

第二,1 美元和 10 分钟是统一的参照尺度。 对所有档位使用同样的参照,只会整体缩放横轴数值,不会改变排序。例如把公式展开,就是数值上的“费用 × 分钟数的平方 ÷ 100”。

第三,横轴的综合指数没有把成绩算进去。 成绩仍然在纵轴。因此,最小指数也可能对应很低的成绩,不能直接当成最佳模型。

真实数据:综合成本与成绩

6.为什么选“平方”?这样设合理吗?

从数学效果可以判断:平方会放大速度差异,推动评价倾向更快的方案。

但页面没有提供足够说明,证明“平方”对所有用户都是最合适的。我们也不能由这个公式推断站长已经测量过每个人的等待损失。

你可以用三个场景感受它的适用程度:

  • 你盯着屏幕等待回答,下一步工作必须等它完成:速度很有价值,这项指数可能贴近你的感受。
  • 你睡前提交任务,早上来看结果:5 分钟还是 10 分钟,可能没有太大区别,平方对慢方案的惩罚就可能过重。
  • 任务必须在 3 分钟内完成:先筛掉超时方案更直接。一个 10 分钟的方案即使指数很低,也不符合这个要求。

如果你想自行设定评价方式,可以考虑:

I=C×Tα I=C×T^\alpha

在正费用、正耗时的前提下,取 α=0\alpha=0 就相当于只看费用;取 1 是费用与时间相乘;取 2 就会更强调时间的相对变化。这里的 CC、TT 最好也先除以固定参照值。

另一种思路是给“主动等待”标价,例如:

任务代价=模型费用+每分钟等待价值×主动等待分钟数 任务代价=模型费用+每分钟等待价值×主动等待分钟数

这些是帮助你理解取舍的建模例子,不是网页提供的可调参数。帕累托的支配规则不要求你先定这样的权重;一旦把钱和时间合成一个数,就已经选择了一种取舍方式。[资料 4、5]

7.为什么不直接给一个总排名,或者算“成绩 ÷ 费用”?

直接排名当然更简洁,但往往要先决定钱怎么换时间、时间怎么换成绩。

例如,有人愿意花更多钱追求最高成绩;有人只需要成绩达到 90 分;还有人根本不能等超过 2 分钟。给他们同一份“唯一最佳”排名,可能无法表达这些不同要求。

帕累托图的好处是:在还没有决定偏好时,先保留那些有不同长处的候选。 等你提出具体要求,再从里面选。[资料 4、5]

“成绩 ÷ 费用”也有用途,但它回答的是“每单位费用获得多少成绩”这个特定问题。它会丢掉一些你可能在意的信息。

举个完全虚构的例子:

方案成绩费用成绩 ÷ 费用
A600.016000
B950.10950

比值会偏爱 A;但如果你的工作必须达到 90 分,A 就不能满足要求。

更进一步,测试分数通常也不能简单解释成产出价值的比例。“120 分”未必意味着业务价值是“60 分”的两倍。因此,比值可以作参考,具体任务要求仍要单独保留。

图还有一个表格不容易一眼呈现的好处:你能直接看见升级付出的代价。 是多花一倍钱只提高一点成绩,还是只多等几十秒就明显提高成绩?知道这个,才容易判断值不值。

8.为什么横轴有时不是等距离的?

网页“自动”模式下,费用图和综合成本图使用对数横轴,耗时图使用线性横轴。[资料 2、3]

你可以先这样理解:

  • 线性刻度:走同样的距离,数值增加同样多。例如 2、4、6 分钟。
  • 对数刻度:走同样的距离,数值扩大同样的倍数。例如 0.01、0.1、1 美元。

费用有时相差几十倍、几百倍。如果全部采用线性横轴,便宜档位会挤在左边,难以分开。对数刻度能同时展示小费用和大费用区间里的差异。

但对数图上,一厘米不能理解成固定的“几毛钱”。读差额时,要看刻度和具体数值。

改变刻度不会改变谁支配谁。 对数对正数保持大小顺序,因此相同候选集合的前沿成员不会因为从线性换到对数就改变。图上看起来的距离、斜率和“拐点”会变化,不宜只凭视觉形状确定最佳选择。

9.回到网页,你可以按这个顺序操作

第一步,先确定这批题目和你自己的任务有多少关系。 如果你主要做长文写作,这四题的总分未必能代表你的真实体验。

第二步,先提一个具体要求。 例如“这批测试里至少达到 120 分”,或者“每题平均耗时不超过 5 分钟”。这样你才知道在图上寻找哪一片区域。

第三步,选择当前最在意的横轴。 预算敏感先看费用;需要连续交互先看耗时;钱和时间都在意时,再看综合指数,并确认自己能接受平方这项设定。

第四步,保留符合要求的前沿候选,查看具体数值。 如果同时有预算和时间上限,应同时核对两项数据,必要时先筛选符合全部约束的集合,再在其中比较。单张投影图只显示了两个指标,不能代替多项约束检查。

第五步,用你自己的任务试一次。 检查准确性、返工量和实际等待。重要任务可以多次比较,避免把某次偶然表现当成稳定差异。[资料 5、6]

网页的其他开关也有具体含义:

  • 帕累托前沿:显示当前可见模型中的非支配候选。
  • 档位轨迹:按档位顺序连接同一模型,方便观察调高档位后,代价和成绩怎样变化;连线不保证成绩持续提高。
  • 模型显示开关:隐藏模型后,前沿会按剩下的可见候选重新计算。原先被隐藏模型比下去的点,可能因此成为“当前可见前沿”。

所以,前沿必须连同候选范围一起理解。只显示两三个模型时看到的前沿,和显示全部模型时看到的前沿,回答的是不同范围内的问题。[资料 3]

10.最后再认清页面的数据口径,读图才不会走偏

这里的费用是依据用量估算的 API 等价费用。页面说明测试使用订阅环境,所以这些金额不能直接当成你的订阅账户实际扣款。

这里的耗时是 成功执行记录从开始到完成的端到端时间,再按题数取平均。它和“每秒输出多少 token”不同,也和“四题并行运行,总共过了多久”不同。

图表没有把所有可能的开销都纳入:页面注明不计评审,费用口径不含失败尝试。你实际做项目时,还可能遇到重试、返工、人工检查等额外代价。

总分是四题按 60、45、22.5、22.5 的权重合成的 150 分。不同类型工作的需求可能与这些权重不同。

本文核验的是公开记录内部的计算一致性,并未重跑测试。这批数据也没有为各档位提供可用于本次分析的重复测量置信区间。相差一两分、几十秒的地方,适合作为进一步试用的线索,不能自动视为稳定、显著的能力差距。[资料 1、2、6]

当你再看到这张图,可以依次问三个问题:

这个档位的成绩够我用吗?

有没有别的档位,在我关心的代价上更低,成绩还不差?

剩下的候选之间,我愿意用多少钱或多少等待,换取更好的结果?

你能这样问,就已经掌握了这张图最实用的读法。


资料编号和核验细节见 02-资料来源与计算核验.md。本文图 1 和图 5 为原创教学示例,图 2—4 为站点数据重绘,均非网页截图。

本文写作中使用了 AI 辅助。文字采用 CC BY-NC-SA 4.0 许可。

最后更新于