目录

  1. 在线模型 (Cloud APIs)
  2. 本地模型 (Local/On-Premise)
  3. 在线 vs 本地对比
  4. OpenClaw 接入配置
  5. 选型建议

一、在线模型 (Cloud APIs)

1.1 主流商业模型概览

供应商

模型

擅长领域

上下文长度

中文支持

OpenClaw支持

Moonshot

kimi-coding/k2p5

代码生成、长文本

256K

⭐⭐⭐⭐⭐

✅ 原生支持

Moonshot

kimi-chat

通用对话、长文本

200K

⭐⭐⭐⭐⭐

✅ 原生支持

OpenAI

GPT-4o

通用、多模态

128K

⭐⭐⭐⭐

✅ API兼容

OpenAI

GPT-4o-mini

轻量级通用

128K

⭐⭐⭐⭐

✅ API兼容

OpenAI

o1/o3

推理、数学

200K

⭐⭐⭐⭐

✅ API兼容

Anthropic

Claude 3.5 Sonnet

代码、分析

200K

⭐⭐⭐⭐

✅ API兼容

Anthropic

Claude 3 Opus

复杂任务

200K

⭐⭐⭐⭐

✅ API兼容

Google

Gemini 2.0 Pro

多模态、长文本

1M

⭐⭐⭐⭐

✅ API兼容

Google

Gemini 2.0 Flash

快速响应

1M

⭐⭐⭐⭐

✅ API兼容

DeepSeek

DeepSeek-V3

代码、推理

64K

⭐⭐⭐⭐⭐

✅ API兼容

DeepSeek

DeepSeek-R1

推理专项

64K

⭐⭐⭐⭐⭐

✅ API兼容

Alibaba

Qwen2.5-Max

通用、代码

128K

⭐⭐⭐⭐⭐

✅ API兼容

Alibaba

Qwen2.5-Coder

代码专项

128K

⭐⭐⭐⭐⭐

✅ API兼容

01.AI

Yi-Lightning

通用对话

128K

⭐⭐⭐⭐⭐

✅ API兼容

Zhipu

GLM-4

通用、Agent

128K

⭐⭐⭐⭐⭐

✅ API兼容

1.2 详细模型分析

1.2.1 Moonshot (Kimi)

模型系列:

  • kimi-coding/k2p5 - 编程专用模型
  • kimi-chat - 通用对话模型

核心优势:

  • ✅ 超长上下文: 支持200K-256K tokens，适合长文档分析
  • ✅ 中文优化: 国内团队，中文理解和生成能力顶尖
  • ✅ 代码能力: Kimi Coding在代码生成和调试上表现优异
  • ✅ 文件处理: 支持直接上传PDF、Word、代码文件分析

适用场景:

  • 长文档分析、论文阅读
  • 代码生成、代码审查
  • 中文内容创作
  • 知识库问答

收费参考 (2026.03):

模型

Input

Output

备注

kimi-coding/k2p5

¥0.012/1K tokens

¥0.048/1K tokens

缓存命中50%折扣

kimi-chat

¥0.012/1K tokens

¥0.048/1K tokens

-

OpenClaw配置:

models:
  kimi-coding:
    provider: kimi-coding
    model: k2p5
    api_key: ${KIMI_API_KEY}
    base_url: https://api.moonshot.cn/v1
1.2.2 OpenAI

模型系列:

  • gpt-4o - 旗舰多模态模型
  • gpt-4o-mini - 轻量高速版
  • o1 / o3 - 推理专用模型（思维链）

核心优势:

  • ✅ 多模态: 支持文本、图像、音频输入
  • ✅ 工具调用: Function Calling能力顶尖
  • ✅ 生态系统: 最完善的API生态和文档
  • ✅ o系列推理: 在数学、逻辑推理上表现突出

适用场景:

  • 多模态应用（图像理解+生成）
  • 复杂工具调用和Agent系统
  • 需要最强推理能力的任务
  • 国际化产品

收费参考:

模型

Input

Output

备注

GPT-4o

$2.50/1M tokens

$10/1M tokens

-

GPT-4o-mini

$0.15/1M tokens

$0.60/1M tokens

高性价比

o1

$15/1M tokens

$60/1M tokens

推理成本高

o3-mini

$1.10/1M tokens

$4.40/1M tokens

轻量推理

OpenClaw配置:

models:
  gpt-4o:
    provider: openai
    model: gpt-4o
    api_key: ${OPENAI_API_KEY}
    base_url: https://api.openai.com/v1
1.2.3 Anthropic (Claude)

模型系列:

  • claude-3-5-sonnet-20241022 - 平衡型
  • claude-3-opus-20240229 - 最强能力
  • claude-3-haiku - 轻量快速

核心优势:

  • ✅ 代码能力: 在代码理解和生成上业界顶尖
  • ✅ 长上下文: 200K上下文，适合复杂分析
  • ✅ 安全性: 对有害请求拒绝率较高
  • ✅ Artifacts: 支持生成复杂文档和代码预览

适用场景:

  • 复杂代码生成和重构
  • 长文档深度分析
  • 需要高安全性的应用
  • 技术写作

收费参考:

模型

Input

Output

备注

Claude 3.5 Sonnet

$3/1M tokens

$15/1M tokens

-

Claude 3 Opus

$15/1M tokens

$75/1M tokens

最贵但最强

Claude 3 Haiku

$0.25/1M tokens

$1.25/1M tokens

轻量

OpenClaw配置:

models:
  claude-sonnet:
    provider: anthropic
    model: claude-3-5-sonnet-20241022
    api_key: ${ANTHROPIC_API_KEY}
    base_url: https://api.anthropic.com/v1
1.2.4 Google (Gemini)

模型系列:

  • gemini-2.0-pro-exp-02-05 - 专业版
  • gemini-2.0-flash - 快速版
  • gemini-2.0-flash-lite - 轻量版

核心优势:

  • ✅ 超长上下文: 1M tokens（业界最长）
  • ✅ 多模态原生: 从底层设计支持图文音视频
  • ✅ 免费额度: generous免费 tier
  • ✅ Google生态: 与Google服务深度整合

适用场景:

  • 超长文档分析（整本书、代码库）
  • 视频内容理解
  • 与Google服务结合的应用
  • 成本敏感的长文本任务

收费参考:

模型

Input

Output

备注

Gemini 2.0 Pro

$1.25/1M tokens

$5/1M tokens

视频额外计费

Gemini 2.0 Flash

$0.075/1M tokens

$0.30/1M tokens

性价比极高

Gemini 2.0 Flash-Lite

$0.0375/1M tokens

$0.15/1M tokens

最低成本

OpenClaw配置:

models:
  gemini-pro:
    provider: google
    model: gemini-2.0-pro-exp-02-05
    api_key: ${GOOGLE_API_KEY}
    base_url: https://generativelanguage.googleapis.com/v1beta
1.2.5 DeepSeek

模型系列:

  • deepseek-chat (V3) - 通用对话
  • deepseek-reasoner (R1) - 推理专用

核心优势:

  • ✅ 性价比极高: 价格远低于GPT-4，性能接近
  • ✅ 中文优化: 国内团队，中文理解优秀
  • ✅ 开源生态: 部分模型开源，可本地部署
  • ✅ R1推理: 媲美o1的推理能力，价格1/20

适用场景:

  • 成本敏感的通用任务
  • 需要推理能力的数学/逻辑任务
  • 中文场景优先的应用
  • 预算有限的初创项目

收费参考:

模型

Input

Output

备注

DeepSeek-V3

¥0.002/1K tokens

¥0.008/1K tokens

缓存命中¥0.001

DeepSeek-R1

¥0.004/1K tokens

¥0.016/1K tokens

推理模型

OpenClaw配置:

models:
  deepseek-v3:
    provider: openai-compatible
    model: deepseek-chat
    api_key: ${DEEPSEEK_API_KEY}
    base_url: https://api.deepseek.com/v1
1.2.6 阿里巴巴 (Qwen)

模型系列:

  • qwen-max / qwen-plus / qwen-turbo - 通用系列
  • qwen-coder-plus - 代码专用
  • qwen-vl-max - 多模态视觉

核心优势:

  • ✅ 中文顶尖: 中文理解和生成能力国内最强
  • ✅ 开源生态: Qwen2.5系列全面开源
  • ✅ 多模态: VL系列视觉理解能力强
  • ✅ 阿里云: 国内访问稳定

适用场景:

  • 中文NLP任务
  • 阿里云生态应用
  • 需要开源模型微调的场景
  • 企业级中文应用

收费参考:

模型

Input

Output

备注

Qwen-Max

¥0.02/1K tokens

¥0.06/1K tokens

最强

Qwen-Plus

¥0.0008/1K tokens

¥0.002/1K tokens

性价比

Qwen-Coder

¥0.002/1K tokens

¥0.006/1K tokens

代码

OpenClaw配置:

models:
  qwen-max:
    provider: openai-compatible
    model: qwen-max
    api_key: ${DASHSCOPE_API_KEY}
    base_url: https://dashscope.aliyuncs.com/compatible-mode/v1

1.3 在线模型收费对比总表

供应商

模型

输入价格

输出价格

性价比评分

Moonshot

Kimi K2.5

¥12/1M

¥48/1M

⭐⭐⭐⭐

OpenAI

GPT-4o

$2.5/1M

$10/1M

⭐⭐⭐

OpenAI

GPT-4o-mini

$0.15/1M

$0.6/1M

⭐⭐⭐⭐⭐

Anthropic

Claude 3.5 Sonnet

$3/1M

$15/1M

⭐⭐⭐

Google

Gemini 2.0 Flash

$0.075/1M

$0.3/1M

⭐⭐⭐⭐⭐

DeepSeek

V3

¥2/1M

¥8/1M

⭐⭐⭐⭐⭐

DeepSeek

R1

¥4/1M

¥16/1M

⭐⭐⭐⭐⭐

Alibaba

Qwen-Plus

¥0.8/1M

¥2/1M

⭐⭐⭐⭐

01.AI

Yi-Lightning

¥0.99/1M

¥0.99/1M

⭐⭐⭐⭐

💡 价格提示: 1M tokens ≈ 750,000个英文单词 ≈ 500,000个中文字符

二、本地模型 (Local/On-Premise)

2.1 主流本地模型概览

模型

参数规模

硬件要求

擅长领域

许可证

OpenClaw支持

Llama 3

8B/70B

16GB/80GB+ VRAM

通用对话

Llama 3.1

✅ Ollama/vLLM

Qwen2.5

7B/14B/32B/72B

16GB-160GB VRAM

中文、代码

Apache 2.0

✅ Ollama/vLLM

DeepSeek-V3

671B (MoE)

多卡A100

代码、推理

DeepSeek

✅ vLLM/ollama

Mistral

7B/8x7B/8x22B

16GB-160GB VRAM

通用、推理

Apache 2.0

✅ Ollama/vLLM

Gemma

2B/4B/9B/27B

8GB-48GB VRAM

轻量通用

Gemma

✅ Ollama

CodeLlama

7B/13B/34B

16GB-80GB VRAM

代码生成

Llama 2

✅ Ollama

Phi-4

14B

32GB VRAM

推理、数学

MIT

✅ Ollama

Yi-1.5

6B/9B/34B

16GB-80GB VRAM

中文、双语

Apache 2.0

✅ Ollama

GLM-4

9B

24GB VRAM

中文Agent

Model License

✅ vLLM

2.2 详细本地模型分析

2.2.1 Meta Llama 3/3.1

模型规格:

  • llama3.1:8b - 80亿参数，消费级GPU可跑
  • llama3.1:70b - 700亿参数，需要大显存
  • llama3.1:405b - 4050亿参数，企业级集群

核心优势:

  • ✅ 英语能力顶尖: 英语理解和生成能力开源最强
  • ✅ 工具调用: 原生支持Function Calling
  • ✅ 生态完善: HuggingFace生态支持最好
  • ✅ 许可证友好: 允许商用（需遵守Llama 3.1许可）

硬件需求:

模型

显存需求

推荐GPU

量化

8B

16GB

RTX 4090 / A4000

Q4/Q8

70B

80GB

A100 80GB / 2xA40

Q4

405B

500GB+

8xA100集群

Q4

适用场景:

  • 英语为主的私有部署
  • 需要工具调用的Agent系统
  • 数据隐私要求高的场景
  • 长期运行的服务

OpenClaw配置 (Ollama):

models:
  llama3.1-local:
    provider: ollama
    model: llama3.1:8b
    base_url: http://localhost:11434
2.2.2 Alibaba Qwen2.5

模型规格:

  • qwen2.5:7b - 轻量中文模型
  • qwen2.5:14b - 平衡型
  • qwen2.5:32b - 高性能
  • qwen2.5:72b - 中文最强开源
  • qwen2.5-coder:14b - 代码专用

核心优势:

  • ✅ 中文最强开源: 中文理解和生成能力开源模型顶尖
  • ✅ 长上下文: 支持128K上下文
  • ✅ 代码能力: Coder版本代码能力接近GPT-4
  • ✅ 工具调用: 支持Function Calling
  • ✅ 完全开源: Apache 2.0许可证，可商用

硬件需求:

模型

显存需求

推荐GPU

7B

16GB

RTX 4090

14B

32GB

A6000 / A100 40GB

32B

64GB

A100 80GB

72B

160GB

2xA100 80GB

适用场景:

  • 中文为主的私有部署
  • 需要长上下文的中文应用
  • 代码生成和审查
  • 企业级中文Agent

OpenClaw配置:

models:
  qwen2.5-local:
    provider: ollama
    model: qwen2.5:14b
    base_url: http://localhost:11434
2.2.3 DeepSeek (本地部署)

模型规格:

  • deepseek-v3 (671B MoE) - 专家混合模型
  • deepseek-r1 - 推理专用

核心优势:

  • ✅ 性能顶尖: 媲美GPT-4的开源模型
  • ✅ 推理能力: R1版本推理能力接近o1
  • ✅ 成本优势: 本地部署长期使用成本低
  • ✅ 开源可商用: 允许商用部署

硬件需求 (DeepSeek-V3):

配置

显存需求

说明

FP8完整版

800GB+

需16xA100/H100

INT8量化

400GB+

需8xA100 80GB

INT4量化

200GB+

需4xA100 80GB

⚠️ 注意: DeepSeek-V3需要专业级GPU集群，个人用户建议使用API

适用场景:

  • 大型企业的私有化部署
  • 需要GPT-4级别能力但数据不出域
  • 高并发的生产环境
  • 长期使用成本优化

OpenClaw配置 (vLLM):

models:
  deepseek-local:
    provider: openai-compatible
    model: deepseek-ai/DeepSeek-V3
    base_url: http://localhost:8000/v1
2.2.4 Mistral AI

模型规格:

  • mistral:7b - 轻量高效
  • mixtral:8x7b - MoE专家混合
  • mixtral:8x22b - 大MoE模型

核心优势:

  • ✅ 高效推理: 7B参数达到13B性能
  • ✅ MoE架构: 稀疏专家混合，推理成本低
  • ✅ 欧洲团队: GDPR合规性好
  • ✅ Apache 2.0: 完全开源可商用

硬件需求:

模型

显存需求

推荐GPU

Mistral 7B

16GB

RTX 4090

Mixtral 8x7B

48GB

A6000 / A100 40GB

Mixtral 8x22B

140GB

2xA100 80GB

适用场景:

  • 高效推理需求的场景
  • 欧洲合规要求
  • 需要MoE架构的应用

OpenClaw配置:

models:
  mixtral-local:
    provider: ollama
    model: mixtral:8x7b
    base_url: http://localhost:11434
2.2.5 微软 Phi-4

模型规格:

  • phi4:14b - 140亿参数

核心优势:

  • ✅ 小模型大能力: 14B参数达到70B性能
  • ✅ 推理能力: 数学和逻辑推理出色
  • ✅ MIT许可证: 最宽松的开源许可
  • ✅ 微软生态: 与Azure/Microsoft工具集成

硬件需求:

模型

显存需求

推荐GPU

Phi-4 14B

32GB

A100 40GB / A6000

适用场景:

  • 推理密集型任务
  • 数学计算和代码生成
  • 需要小体积高性能的场景

OpenClaw配置:

models:
  phi4-local:
    provider: ollama
    model: phi4:14b
    base_url: http://localhost:11434

2.3 本地模型部署工具

工具

特点

OpenClaw支持

适用场景

Ollama

最简单，一键运行

✅ 原生支持

个人/小团队

vLLM

高吞吐，生产级

✅ API兼容

企业/高并发

llama.cpp

纯CPU运行，无GPU

✅ API兼容

无显卡环境

TensorRT-LLM

NVIDIA优化，最快

✅ API兼容

NVIDIA GPU

Text Generation Inference

HuggingFace官方

✅ API兼容

HF生态
Ollama 配置示例
# 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 拉取模型
ollama pull qwen2.5:14b
ollama pull llama3.1:8b

# 运行服务
ollama serve
# OpenClaw配置
models:
  ollama-qwen:
    provider: ollama
    model: qwen2.5:14b
    base_url: http://localhost:11434
    
  ollama-llama:
    provider: ollama
    model: llama3.1:8b
    base_url: http://localhost:11434
vLLM 配置示例
# 安装vLLM
pip install vllm

# 启动服务
python -m vllm.entrypoints.openai.api_server \
  --model Qwen/Qwen2.5-14B-Instruct \
  --tensor-parallel-size 1 \
  --max-model-len 32768
# OpenClaw配置
models:
  vllm-qwen:
    provider: openai-compatible
    model: Qwen/Qwen2.5-14B-Instruct
    base_url: http://localhost:8000/v1

三、在线 vs 本地对比

3.1 综合对比表

维度

在线模型

本地模型

成本模式

按量付费，无固定成本

前期硬件投入，后期低成本

响应延迟

网络依赖，50-500ms

本地计算，10-100ms

数据隐私

数据上传云端

数据完全不出域

可用性

依赖供应商服务

完全自主可控

模型选择

供应商限定

任意开源模型

定制能力

有限（Prompt工程）

可微调、可量化

扩展性

弹性扩缩容

受硬件限制

维护成本

低

高（需运维）

离线使用

❌ 不可

✅ 可

3.2 成本对比分析

场景：月消耗100M tokens（约7500万字）

方案

月成本

说明

GPT-4o API

$350 (约¥2,500)

按量付费

DeepSeek-V3 API

¥200

最便宜的API方案

本地 4090

¥0 (电费~¥100)

硬件成本¥15,000(一次性)

本地 A100

¥0 (电费~¥500)

硬件成本¥80,000(一次性)

成本平衡点:

  • 月消耗 > 50M tokens：本地部署开始划算
  • 月消耗 > 200M tokens：本地部署显著节省

3.3 性能对比

指标

在线模型

本地模型 (量化)

推理速度

快 (专业优化)

中等 (依赖硬件)

输出质量

最优

接近 (Q4量化损失<5%)

并发能力

高

受显存限制

长上下文

支持

受显存限制

3.4 选择决策树

是否需要数据不出域？
├── 是 → 本地部署
│       └── 硬件预算？
│           ├── <¥5,000 → Ollama + Qwen2.5:7B / Llama3.1:8B
│           ├── ¥5,000-20,000 → RTX 4090 + Qwen2.5:14B
│           ├── ¥20,000-80,000 → A100 40GB + Qwen2.5:72B
│           └── >¥100,000 → 多卡A100 + DeepSeek-V3
│
└── 否 → 使用在线API
        └── 预算？
            ├── 极紧 → DeepSeek-V3 / Gemini Flash
            ├── 一般 → Kimi / Qwen-Plus
            ├── 充足 → GPT-4o / Claude 3.5
            └── 无限 → GPT-4o / Claude 3 Opus + 本地备份

四、OpenClaw 接入配置

4.1 完整配置示例

# ~/.openclaw/config.yaml

models:
  # ========== 在线模型 ==========
  
  # Moonshot Kimi (推荐中文、代码)
  kimi:
    provider: kimi-coding
    model: k2p5
    api_key: ${KIMI_API_KEY}
    base_url: https://api.moonshot.cn/v1
    priority: 1
  
  # OpenAI GPT-4o (推荐多模态、工具调用)
  gpt-4o:
    provider: openai
    model: gpt-4o
    api_key: ${OPENAI_API_KEY}
    base_url: https://api.openai.com/v1
    priority: 2
  
  # Anthropic Claude (推荐代码、分析)
  claude:
    provider: anthropic
    model: claude-3-5-sonnet-20241022
    api_key: ${ANTHROPIC_API_KEY}
    base_url: https://api.anthropic.com/v1
    priority: 3
  
  # DeepSeek (推荐性价比)
  deepseek:
    provider: openai-compatible
    model: deepseek-chat
    api_key: ${DEEPSEEK_API_KEY}
    base_url: https://api.deepseek.com/v1
    priority: 4
  
  # Google Gemini (推荐长文本)
  gemini:
    provider: google
    model: gemini-2.0-flash
    api_key: ${GOOGLE_API_KEY}
    base_url: https://generativelanguage.googleapis.com/v1beta
    priority: 5
  
  # ========== 本地模型 ==========
  
  # Ollama本地模型
  local-qwen:
    provider: ollama
    model: qwen2.5:14b
    base_url: http://localhost:11434
    priority: 10
  
  local-llama:
    provider: ollama
    model: llama3.1:8b
    base_url: http://localhost:11434
    priority: 11
  
  # vLLM本地服务
  vllm-qwen:
    provider: openai-compatible
    model: Qwen/Qwen2.5-14B-Instruct
    base_url: http://localhost:8000/v1
    priority: 12

# 默认模型
default_model: kimi

# 路由策略
routing:
  # 根据任务类型选择模型
  task_routing:
    code: kimi          # 代码任务用Kimi
    long_context: gemini # 长文本用Gemini
    analysis: claude    # 分析任务用Claude
    default: kimi       # 默认用Kimi
  
  # 故障转移
  fallback:
    - kimi
    - deepseek
    - local-qwen

4.2 环境变量配置

# 添加到 ~/.bashrc 或 ~/.zshrc

# Moonshot Kimi
export KIMI_API_KEY="sk-xxxxxxxxxx"

# OpenAI
export OPENAI_API_KEY="sk-xxxxxxxxxx"

# Anthropic
export ANTHROPIC_API_KEY="sk-ant-xxxxxxxxxx"

# DeepSeek
export DEEPSEEK_API_KEY="sk-xxxxxxxxxx"

# Google
export GOOGLE_API_KEY="xxxxxxxxxx"

# 阿里云
export DASHSCOPE_API_KEY="sk-xxxxxxxxxx"

4.3 快速切换模型

# 命令行切换
openclaw config set default_model gpt-4o
openclaw config set default_model local-qwen

# 会话中临时切换
/model kimi
/model local-qwen

五、选型建议

5.1 按场景推荐

场景1: 个人开发者/小团队

推荐: kimi-coding/k2p5 + qwen2.5:14b (本地)

  • 在线：Kimi处理复杂任务
  • 本地：Qwen14B处理日常任务，保护隐私
  • 成本：¥0-500/月
场景2: 中文内容创作团队

推荐: kimi-chat + qwen2.5:72b (本地)

  • 在线：Kimi长文档分析
  • 本地：Qwen72B批量生成
  • 成本：¥500-2000/月 + 硬件投入
场景3: 代码生成工具

推荐: claude-3-5-sonnet + deepseek-coder:33b (本地)

  • 在线：Claude处理复杂重构
  • 本地：DeepSeek Coder日常补全
  • 成本：$100-300/月 + 硬件投入
场景4: 企业私有部署

推荐: qwen2.5:72b / deepseek-v3 (本地)

  • 完全数据不出域
  • 高并发vLLM部署
  • 成本：硬件投入¥20万-100万，后期¥1000/月电费
场景5: 多模态应用

推荐: gpt-4o / gemini-2.0-pro

  • 图像理解 + 生成
  • 视频分析
  • 成本：$200-1000/月

5.2 混合架构建议

┌─────────────────────────────────────────────────────────┐
│                    混合架构最佳实践                        │
├─────────────────────────────────────────────────────────┤
│                                                         │
│  ┌──────────────┐    ┌──────────────┐                  │
│  │   在线API    │    │   本地模型    │                  │
│  │  (Kimi/GPT)  │    │  (Qwen/LLaMA)│                  │
│  │              │    │              │                  │
│  │ • 复杂任务   │    │ • 日常对话   │                  │
│  │ • 长文档     │    │ • 隐私敏感   │                  │
│  │ • 备份故障   │    │ • 高频调用   │                  │
│  └──────┬───────┘    └──────┬───────┘                  │
│         │                   │                          │
│         └─────────┬─────────┘                          │
│                   │                                    │
│         ┌─────────▼─────────┐                         │
│         │   OpenClaw路由    │                         │
│         │  • 智能任务分发   │                         │
│         │  • 故障自动转移   │                         │
│         │  • 成本控制      │                         │
│         └───────────────────┘                         │
│                                                         │
└─────────────────────────────────────────────────────────┘

5.3 成本控制策略

  1. 缓存命中: 启用OpenClaw的prompt缓存，降低50%成本
  2. 模型分级: 简单任务用轻量模型，复杂任务用大模型
  3. 本地优先: 高频任务本地处理，低频任务用API
  4. 批量处理: 聚合请求，减少API调用次数

附录

A. 模型性能基准

模型

MMLU

HumanEval

C-Eval

长文本

GPT-4o

88.7%

90.2%

-

128K

Claude 3.5 Sonnet

88.9%

92.0%

-

200K

Kimi K2.5

87.2%

89.1%

88.5%

256K

DeepSeek-V3

87.1%

92.2%

86.5%

64K

Qwen2.5-72B

86.1%

86.2%

89.2%

128K

Llama 3.1 70B

86.0%

80.5%

67.5%

128K

B. 相关链接

文档结束

Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

OpenClaw（小龙虾）AI 智能体・极简一键部署教程

avatar 龙虾开发者社区
cover

GPT-6 Spud倒计时×AI格局变局：2026年4月第一周全景扫描

avatar 龙虾开发者社区
cover

OpenClaw 完整本地部署安装（接入飞书）

avatar 龙虾开发者社区