打开模型列表几百个名字，第一反应往往是「随便挑一个贵的总没错」——结果要么贵得没必要，要么大材小用。选模型正确的姿势不是比谁最强，而是先问「我要做什么任务」，再按任务类型对号入座。这张对照表覆盖最常见的五类场景，照着选基本不会踩坑。
选型对照表：任务 → 模型
日常问答、翻译、文案润色这类轻任务，用快而便宜的模型就够了，比如 glm-5.3-flash、qwen3.8-flash——响应快、单价低，质量对轻任务完全够用。写代码、深度分析、复杂推理，换推理能力强的 deepseek-v4.1-flash 或 kimi-k3，这类任务模型之间的差距是真实存在的，值得多花一点。看图、读截图、图表理解属于多模态任务，选带 vision 能力的模型（如 gpt-5.6-sol）。超过 10 万字的长文档，直接上长上下文的 doubao-seed-2-1-turbo，别用普通模型硬塞。批量跑几百上千条简单任务（分类、打标签、格式转换），回到最便宜的 flash 系模型，成本能差出十倍以上。
一句话口诀：轻任务用 flash 系，重活找推理系，看图认准 vision，长文交给长窗口，批量大锅饭谁便宜用谁。
三个容易被忽略的选型细节
第一，贵不等于对。旗舰模型处理「把这段话翻译成英文」这种任务，输出质量和 flash 系几乎没差别，但你为每个字付的钱可能是好几倍——预算烧在刀刃上才有意义。第二，注意模型的上下文窗口和最大输出限制：长文摘要要看输入上限，生成万字长文要看输出上限，这两项在模型列表页都有标注。第三，同一任务可以先小规模试跑再定型：拿 20 条真实样本分别喂给两个候选模型对比效果，比看任何评测文章都靠谱，试跑成本通常不到 1 块钱。
常见问题
能不能一直用一个模型不换？
可以，用 glm-5.3-flash 这类均衡模型当默认款，遇到明显搞不定的任务再针对性换强模型，是成本和质量最省心的平衡。大多数人的实际用法就是「一主一备」加一个专项模型。
模型列表里的价格怎么比较？
站内价格按「每百万 token」计价，同样的任务量直接乘一下就能算出差距。挑同档模型时，优先看单位价格和上下文窗口的乘积性价比，而不是单看谁便宜。
模型会下线吗？选型要不要留后手？
模型列表是动态更新的，偶尔会有模型调整。写代码时别把模型名写死在业务里，做成配置项，换模型改一行配置就行，成本几乎为零。