配图：LittleDot 专栏概念插画，AI 生成。
聊到 GPT‑7，很多人先问它有多强。我想到的另一个问题是：如果它真的更强了，平时用 AI 做事，会不会更划算？
这里说的划算，得等一件事做完再算。一次调用便宜，失败三次再换模型，最后还要人来收拾，不一定省钱。一次调用贵一点，如果能把复杂问题处理清楚，也可能更合适。光看每次请求的价格，很容易漏掉后面的返工。
我留意到 Fireside Alpha 的 Boris Power 谈话笔记里，除了 GPT‑7、GPT‑8，还有大模型指导小模型的讨论。这让我觉得，下一代研究带来的变化，未必只体现在那个最贵、最醒目的型号上。日常模型如果跟着变好，也很值得看。
这里我说的是自己的期待，不是 GPT‑7 已经公布了某种价格或能力。它的实际收费、速度和可用额度，现在还不能替它填上。
不是每一件事，都值得开最贵的模型
做一个网站，会遇到很不一样的任务。改按钮文案，读一小段日志，整理几条链接，和判断一个数据库迁移方案，花的脑力不一样。如果每一步都用同一个昂贵模型，账单容易变大；如果复杂问题也只图便宜，后面又可能补很多时间。
我希望以后的工具能把这件事做得更顺手。简单的活，用一个够用、反应快的模型。碰到真的难题，再请更强的模型来判断。切换时把已经读过的资料和做过的决定带好，让我少重复一遍背景。
但这种选择不能悄悄发生。特别是付费服务，我想知道这次实际用了什么模型，花了多少钱，失败重试有没有计费。模型可以替我挑，账总得让我看明白。要不然，月底面对一个总数，连哪里值得调整都不知道。
如果我是工具的开发者，我也会先把几种常见任务跑一遍。完成率怎样，平均要重试几次，一件事最终花多久、花多少。把这些放在一起，才能判断一个小模型到底是便宜，还是只是单次报价好看。
这也是我看 GPT‑7 消息时，愿意顺便看小模型的原因。假如更强的大模型能够帮助日常模型学会更稳妥地做事，我们未必每天都要亲自调用那个最大的型号，仍然可能得到一点进步。
等下一代出来，我想比较两张账单。一张是调用记录，另一张是自己花掉的时间。两张都少一点，事情又做得更好，这次升级才算让我高兴。到那时，替我省钱的，可能恰好是产品列表里那个不太起眼的小模型。