同样 1000 积分，有的模型能用 8.3 亿 token，有的只有 1248 万

上一期 WorkBuddy 用量测评，我没算出扣费系数。这期补上：13 个模型、555 笔扣费，用同一组系数逐笔核对，全部吻合。看完你也能自己估算用量。

一、积分是怎么扣的

WorkBuddy 每次调用扣的积分，可以拆成三段：没命中缓存的输入、缓存命中、输出，各乘一个系数再相加。系数的单位是积分 / 百万 token。

积分 = 未命中缓存的输入 × 输入系数 + 缓存命中 × 缓存系数 + 输出（含思考）× 输出系数

要提醒的是，系数会调整。拿这次的结果对照上个月的数据，GLM-5.3-Flash 的三段系数都涨了约 30%：输入从 11.43 到 14.86，缓存从 3.29 到 4.29，输出从 40 到 52。

二、怎么测的

每个模型我跑了三类任务：先让它读长文件，模拟高输入；再让它写长文章，模拟高输出；再加几个短会话，模拟日常小任务。

然后把每个模型测到的全部请求放在一起，用同一组系数去核对每一笔扣费。13 个模型、555 笔记录，每一笔都能算对。

关于限额：WorkBuddy 有限额机制，但我每轮测试只用几百万 token，没有触发。遇到过限额的朋友，欢迎在评论区补充。

三、13 个模型的系数

按厂商分，同一家的模型差距也很大：智谱 GLM-5.3 的输入系数是 160，GLM-5.3-Flash 只有 14.86。缓存都比输入便宜得多，DeepSeek-V4.1-Flash 闲时的缓存只有 0.29。最贵的是 Kimi-K3，输入 485.71，输出 2428.6。

四、1000 积分能用多少

我按一个高缓存场景来算：95% 是缓存命中，4.5% 是没命中的输入，0.5% 是输出。这个比例接近长对话、反复读同一批文件的日常用法。

最多的是 DeepSeek-V4.1-Flash 闲时，约 8.33 亿 token；最少的是 Kimi-K3，只有 1248 万，两者相差 60 多倍。

想按自己的用法估算，可以套这个式子：1000 ÷（输入占比 × 输入系数 + 缓存占比 × 缓存系数 + 输出占比 × 输出系数）× 100 万。缓存命中率越低、输出越多，能用的 token 就越少。

五、快速、均衡、极致，底层是谁

快速、均衡、极致是 WorkBuddy 包装的三档，不是固定的模型，是系统在底层替你选。我 10 月的日志里，快速档 62 次调的都是 DeepSeek-V4.1-Flash；均衡和极致两档，都出现过 Hy4 Preview 和 GLM-5.3。

好在 WorkBuddy 的计费比较透明：每条回复下面都会写这次消耗了多少积分、调的是哪个模型。

所以这三档扣多少积分，要看当时底层调的是谁。另外，界面上显示的倍率也会变，选档前最好看一眼当前数值。

六、几个前提条件

• 输入和缓存的系数很准；输出系数只能定在一个小范围，我取了范围里最整齐的值，对 1000 积分结果的影响不到 2%。
• DeepSeek-V4.1-Flash 的系数是闲时价，高峰时段会更贵。
• 系数和倍率都可能调整，一切以 WorkBuddy 内实际显示和扣费为准。

关注模真真，一起省钱用 AI

还有什么想看的套餐测评，评论区告诉我