用最贵的模型干所有的活，是很多团队使用编码 agent 时的默认做法，账单也因此居高不下。第三方评测机构 Artificial Analysis 最新发布的一项独立实测，给出了另一种思路：让贵模型只负责动脑，便宜模型负责动手，效果反而更好，花钱还更少。
这项实测的对象是 Cognition 推出的编码 agent Devin Fusion。它采用主副模型分工：主模型 Claude Opus 5.5 max 负责规划任务、分派工作与最终审查，副模型 GPT-6 Luna high 负责低成本地执行具体编码。在 Artificial Analysis 的 Coding Agent Index 中，这套组合拿到 68.1 分，高于「Claude Code 搭配 Opus 5.5」对照组的 66.0 分。成本差距更明显：单个任务 9.01 美元，对照组为 13.04 美元，便宜约 31%；耗时 55 分钟，也少于对照组的 65 分钟。
看点一：贵模型的价值在判断，不在敲键盘
规划、拆解和审查是最吃模型智能的部分，方向一旦错了，执行再快也是白干；而真正写代码、改文件、跑测试的环节，对模型能力的要求相对没有那么极致。主副分工等于把预算花在刀刃上：最强的模型负责保证方向正确，性价比模型负责把活干完。实测中分数不降反升，说明很多任务里制约质量的从来不是执行模型，而是任务拆得好不好。
看点二：成本结构比单价更重要
单个任务便宜 31%、还快 10 分钟，放到团队规模上就是每月实打实的预算差异。更重要的是，这个范式并不绑定某一家厂商：任何「强模型做规划、弱模型做执行」的组合都可以套用。这项评测真正的价值，是给行业提供了一个可量化的参照：多模型协作不是玄学，它能在公开基准上同时赢下效果和成本。
团队落地可以怎么试
不用一步到位换掉整套工具链。先挑一类边界清晰的任务，比如批量修 bug 或补写单元测试，用自己的代码库做一次 A/B 对照：同一批任务分别交给单模型方案和主副分工方案，记录成功率、人工返工次数和实际花费。数据跑上两周，答案自然浮现。省钱的秘诀往往不是换更便宜的模型，而是让每个模型只干它最擅长的那一段。