分类、抽取、改个小函数、Agent 后台的各种小调用，这类活一天要跑成千上万次，大家一般会挑最便宜的那档模型。DeepSeek V4.1 Flash 和 Claude Haiku 5.5 就是两个常见选择，按 token 算都很便宜。

但我真正关心的是两件事：做完一道题实际花多少钱，以及哪个更容易出错。按 token 的单价看不出来，所以我用同一套题实测了一遍，测试日期 2026-10-20。

先说结论：

• 准确率一样：两个模型都是 51 次过了 50 次。
• Haiku 更省：按测试时的单价，每千道题 Haiku 0.13 美元，Flash 0.97 美元。11-06 Flash 降价后是 0.40 美元，Haiku 仍然只要三分之一左右。
• Haiku 更快：中位耗时 2.8 秒，Flash 9.9 秒。
• Flash 关掉思考后，每千道题降到 0.13 美元（新价），和 Haiku 持平，但慢一点、错得多一点。

怎么测的

17 道题，每道都能用脚本自动判分：

• 7 道 Python 编程题：时长字符串解析、区间合并、LRU 缓存、严格的罗马数字、按 C 语言规则做除法的表达式求值、语义化版本排序、按 shell 规则切分参数。返回的代码跑一组固定的单元测试，全部断言通过才算对。
• 4 道信息抽取题：从邮件里抽发票信息、从会议记录里抽参会人、统计日志行数、从一段反复改单的聊天里得出订单的最终状态。返回的 JSON 和标准答案逐字段比对。
• 6 道推理题，答案是确定的数字或一个词：排列计数、水池进出水、两年后是星期几、按步骤模拟、排除法推理、数位和计数。

调用方式：通过 OpenAI 兼容的 /v1/chat/completions 接口，非流式，max_tokens 设 8000，不加系统提示，不设 temperature。每道题只发一条用户消息，每题跑 3 次，每个模型 51 次请求。

费用按接口返回的实际计费 token 乘以单价计算。DeepSeek V4.1 Flash 默认会先思考再回答，思考的 token 按输出计费，已经算在里面。

结果

	DeepSeek V4.1 Flash	Claude Haiku 5.5	DeepSeek V4.1 Flash（关闭思考）
通过	50 / 51	50 / 51	48 / 51
中位耗时	9.9 秒	2.8 秒	3.6 秒
90 分位耗时	40.5 秒	7.2 秒	9.0 秒
平均输入 token	175	895	149
平均输出 token	1,730（其中思考 1,518）	834	556
每千道题花费，测试时单价	0.97 美元	0.13 美元	0.32 美元
每千道题花费，11-06 降价后	0.40 美元	0.13 美元	0.13 美元

测试所用接口的单价（每百万 token，输入 / 输出）：

	测试时（10-20）	11-06 起
DeepSeek V4.1 Flash	0.125 / 0.55 美元	0.0558 / 0.2231 美元
Claude Haiku 5.5	0.025 / 0.125 美元	没变

降价后的那一行是用同一批实测 token 按新单价重算的，没有重新跑测试。

为什么 Haiku 的输入 token 是 Flash 的 5 倍

同样的题，Haiku 平均输入 895 个 token，Flash 只有 175 个。差的这部分主要不是题目本身：测试所用的接入层会给每个 Claude 请求额外加上约 690 个输入 token（一段身份说明，加上上游补的一段系统提示）。我之前单独发一句「say hi」给 Claude，返回的输入也是 690 个左右。直连 Anthropic 官方接口不会有这部分。

这部分 token 是计费的，已经包含在上表 Haiku 的 0.13 美元里，大约占 0.02 美元。去掉之后 Haiku 只会更便宜一点，结论不变。

几个值得注意的地方

• 同样的准确率，账单差很多。 两个模型都过了 50 题。按测试时的单价，Haiku 的花费大约是 Flash 的七分之一；Flash 降价后是三分之一左右。Haiku 的输入、输出单价都更低，输出也更少：Flash 平均每题输出 1,730 个 token，88% 是用户看不到的思考过程。
• 每类题 Haiku 都更快。 中位耗时 2.8 秒对 9.9 秒，最慢的那几次差得更多：表达式求值、shell 参数切分、排除法推理这三道，Flash 一般要 30 到 60 秒，Haiku 是 2 到 18 秒。
• 两边错的地方不一样。 Flash 在排除法推理上有一次给错了数字（另外两次是对的）。Haiku 唯一的一次错误是回答写到函数一半就断了，同一道题的另外两次都通过了。

关掉 Flash 的思考

DeepSeek V4.1 Flash 可以跳过思考步骤。测试所用的接口是在请求体里加 reasoning: {"enabled": false}，我确认过关掉之后返回的思考 token 是 0。不同平台的参数写法不一样，以各自的文档为准。

from openai import OpenAI

client = OpenAI(
    base_url="你的接口地址/v1",
    api_key="你的 key",
)

response = client.chat.completions.create(
    model="deepseek-v4.1-flash",
    messages=[{"role": "user", "content": "Extract the invoice number from: ..."}],
    extra_body={"reasoning": {"enabled": False}},
)
print(response.choices[0].message.content)

关掉思考后，Flash 的花费降到原来的三分之一左右，速度接近 Haiku，但多错了 3 次：排除法推理错 2 次，时长解析错 1 次。按测试时的单价，它还是 Haiku 的 2.5 倍左右；按 11-06 的新价，两边每千道题都是 0.13 美元左右。

该选哪个

• Claude Haiku 5.5：适合提示词短、调用量大的活，比如抽取、分类、写小函数、路由。这次测试里它和 Flash 一样准，花费只有默认设置下 Flash 的三分之一左右，而且更快。
• DeepSeek V4.1 Flash：适合提示词很长的场景。Haiku 的提示词超过 20 万 token 时，单价会涨到每百万 0.125 / 0.625 美元；Flash 在 100 万 token 的上下文里一直是同一个价。这次没有测长提示词，具体按自己的提示词长度算一下两边的价格。
• 如果短任务还是想用 Flash，先试试关掉思考。在这套题上，它只丢了一点准确率，换来便宜得多、快得多的回答。按新价它和 Haiku 花费差不多，但 Haiku 还是更快（中位 2.8 秒对 3.6 秒），也多过了两次。

费用怎么看

上面的花费都是按测试所用接口的单价算的。如果你直接用官方接口，单价不一样：Anthropic 官方标价 Haiku 5.5 是每百万 token 输入 0.10、输出 0.50 美元；DeepSeek 官方价格页标的 V4.1 Flash 是 0.30 / 1.20 美元。用上表的平均 token 换算，每千道题 Haiku 约 0.51 美元，Flash 约 2.13 美元，关掉思考约 0.71 美元。换成官方价，Haiku 还是最省。

自己换算也很简单：每道题花费 = 平均输入 token × 输入单价 + 平均输出 token × 输出单价。

这次测试的局限

• 17 道题、每题 3 次，样本很小。多对或少对一题，通过率就差两个百分点，所以 50/51 和 48/51 应该看成「差不多」，不是排名。
• 题目都很短、彼此独立，而且是英文的。长文档、多轮对话、工具调用和其他语言都没测。
• 耗时是在同一天、从同一个客户端测的，和当时的负载有关。

要把生产任务换模型之前，最好拿自己的真实提示词跑一遍，看看实际的 token 和花费。