2026 年 9 月 1 日至 10 日，五家前沿模型厂商在十天里密集发布新品：Anthropic 的 Claude Fable 5.1、Google 的 Gemini 3.8 Flash、Meta 的 Muse Spark 1.3、OpenAI 的 GPT-6 Astra，以及 DeepSeek 的 V4.1-Flash。输入价格从每百万 token 0.15 美元跨到 10 美元，跨度达 67 倍；上下文窗口从 100 万到 105 万 token；安全机制从零保留到关键网安阈值门控，各不相同。对坐在台下庆祝创新速度的从业者来说，这是技术繁荣；对把这些模型接进生产系统的智能体构建者来说，这是一笔被长期低估、且逐月复利上涨的税。这种税不写在合同里，却实实在在地吞掉团队的工程预算。
模型连发，重担甩给下游
每一次新模型发布，对构建者而言都意味着一重新的负担，而不是一次轻松的替换。先是基准测试：要和现有栈逐一比对，确认新模型在自家任务上到底变好还是变坏；接着是集成返工：模型路由、编排层、护栏配置都要跟着调；然后是合规审查：不同厂商的缓存策略、峰值与谷价、入门价与标准价各不相同，采购要重新谈；最后是安全复核：新模型触发的护栏配置变了，风险边界也得重新画。实验室庆祝的是发布速度，接进生产的团队消化的是复利成本。
这层负担之所以隐蔽，是因为它不在任何一份产品公告里。模型厂商比的是参数、价格与能力，而构建者比的是「我能不能在不把系统搞崩的前提下，把这波更新接住」。当十天内连发五款，且每款的计价逻辑都不一样，团队光是算清「换哪款更划算」就要花掉不少工程时间——而这还只是决策，不是落地。
数字已经很直白
几份近期调研把这笔税摊开了看。McKinsey 7 月的 Enterprise AI FinOps 调研显示，六成 agentic AI 支出已经耗在「响应精炼」这类反复生成、反复检查的循环上，逾九成企业反映超出了 AI 预算，约五分之一的组织因为运营成本已经开始限制 AI 使用。Stanford 数字经济实验室则把账单大头指认出来：约 62% 的智能体推理账单，来自每次调用都要重发的上下文——系统提示、工具定义与状态，必须随每个请求一起传输。Gartner 2026 年的 AI 成熟度曲线更给出预警：到 2027 年，约四成 AI agent 项目会因成本超支而非技术失败被取消。
这些数字指向同一结论：智能体每次调用消耗 5 到 30 倍于普通聊天的 token，而反复重发的上下文是账单的核心。模型越迭代，上下文越膨胀，税就越重。构建者要交的，不只是推理费，更是「跟上迭代」的工程费。
评测税的本质与应对
评测税的本质，是模型迭代的速度，超过了团队消化迭代的工程能力。应对这道税，靠的不是少更新模型，而是把评测与适配工程化：用分层评估——小测试集挂在每次提交、大基准留给发布候选、生产监控兜住漂移；把模型选型、提示词版本、工具 schema、评估版本与数据快照都归档，让每次对比可复现；在评测里设预算上限，给每次任务定好最大步数、token 上限与费用红线。说到底，智能体落地的胜负手，正从「谁模型更强」悄悄转向「谁把评测与适配的成本压得更低」。当模型厂商比拼发布节奏时，构建者比拼的是把节奏接住的工程纪律。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。