用便宜模型跑出旗艦成績？Gear 這套自動調校工具，考驗的是你對評測的信任

模型選單越拉越長，錢包越來越薄，這是現在每個用 AI Agent 做事的人共同的處境。九月二十一日，開發者 tangyehui 在 V2EX 貼出了自己的開源專案 Gear（General Evolution ARchitecture），口號很直白：讓 Agent 用便宜模型的價格，達到旗艦模型的性能。這類主張在社羣裡出現的頻率不低，但這一篇的後續討論，剛好把「省錢跑 Agent」這件事最容易踩的三個坑攤在陽光下。

Gear 在做什麼：調的不是模型，是模型周邊的「工作環境」

先把機制講清楚。Gear 想解決的問題是：同一個模型，接上不同的 harness（也就是 Agent 的執行框架，包含提示詞結構、工具呼叫方式、上下文管理等），表現會差很多。過去這套 harness 多半靠工程師手工調整，憑經驗、憑手感。

Gear 的做法是讓這件事自動化。你給它一個 benchmark，它就反覆跑、反覆改，自動演化出最適合這個場景的 harness。講個比喻：這像是請了一位廚藝教練，不換掉廚師（模型），而是重新設計廚房的動線、調整火候表、重排調味罐的位置，讓一位學徒用米其林主廚的流程做出接近的菜。

作者公布的數據是：在 automation bench 的 marketing 任務上，經 Gear 優化的 DSH 搭配 OpenAI 的便宜模型 Luna，達到 88% 的目標完成率，高於 Astra 搭配 Codex 的 84%，而且單任務成本降低 95%。

數字很漂亮，但先別急著換工具。

成本降 95%，但「場景對上了嗎」是第一個問題

這裡有個容易被略過的細節：88% 對 84% 的勝負，只發生在 automation bench 的 marketing 這一類任務上。Gear 的邏輯本來就是「給定一個 benchmark，針對它最佳化」，這意味著它的強項是窄場景。你的工作如果剛好落在這個場景內，省錢效果可能很實在；一旦任務性質換了，調好的 harness 未必還是優勢，甚至可能因為過度適配而變成包袱。

這和模型選型的老問題是同一個結構。我們先前在GPT-6 對上 GPT-5.6 的模型分配難題裡提過，任務的可驗證性越高，越適合把工作交給便宜模型去試；越是開放式、難以自動評分的任務，旗艦模型的判斷力就越難被取代。Gear 本質上把這條界線再往前推了一步：它不只挑模型，還替「可驗證的窄場景」量身打造執行環境。

所以 Gear 最適用的讀者，是任務高度重複、成果可以自動評分的那羣人，例如批次行銷文案產出、固定流程的資料處理。如果你每天面對的是需求飄忽的開發工作，這個工具的直接幫助有限，但它示範的思路值得記住。

第二個坑：別人信的 benchmark，你未必信

貼文下方的討論很快出現質疑。網友 lancevps 直接建議跑 Terminal-Bench 4，理由是「我對這個評測比較相信」。作者的回應也誠實：自己的 token 燒不動，歡迎社羣貢獻。他倒是補了 Terminal-Bench 2.1 的結果，Luna 加 Gear 調校的 DSH 拿到 84.26%，低於 Astra 加 Codex 的 87.4%，與 Fable 加 ClaudeCode 的 83.8% 相當。

這組數字反而比行銷任務那組更有參考價值，因為它顯示：換到更通用的工程場景，便宜模型加調校的組合追上了第二梯隊，但沒有追上旗艦。這正是常態。省錢方案的天花板，通常出現在最難的那批任務上。

換 benchmark 就換排名，這件事提醒我們：看任何「便宜方案超越旗艦」的主張，第一個動作永遠是問評測內容是什麼。這也呼應我們先前分析GPT-6 的 AGI 宣言該怎麼當行銷文本讀時的角度，宣稱的強度，取決於量尺是誰定的。

第三個坑：省了錢，別默默賠了時間

網友 sampeng 的質疑更貼近日常使用：Astra 五分鐘做完的事，Luna 要花十五分鐘就難以接受。這句話戳中成本計算最常被漏掉的一欄，時間也是成本。

作者事後給出的統計值得肯定。在 automation 任務上，Luna 的 Agent 平均運行時間為 5 分 51 秒，Astra 為 5 分 39 秒；中位數兩者幾乎相同；若把環境準備、執行和評分都算進去，Luna 組合的平均總耗時 7 分 07 秒，反而比 Astra 組合的 8 分 30 秒快。

也就是說，至少在這個場景裡，「便宜等於慢」的直覺沒有成立。但這份統計同樣只涵蓋 automation 任務， sampeng 最初體感來源的那些任務究竟是哪些，並沒有對上。這提醒我們評估 Agent 成本時該看的三個欄位：token 花費、總耗時、以及你的注意力被呼叫了幾次。三者相乘才是真實成本。

給一般開發者的三個實際判斷

第一，把 Gear 這類自進化工具理解成「窄場景的省錢方案」，別期待它是通用的模型替代品。任務能定義清楚、能自動評分的團隊，值得花一週試跑；任務性質多變的團隊，先觀望。

第二，看待任何 benchmark 數字時，先確認量尺。同一個工具在不同評測上從超越旗艦到落後三個百分點，中間的落差就是你的決策風險。

第三，省錢的前提是不賠時間與品質。把 token 帳單、耗時統計、人工介入次數放進同一張表再看結論，很多「成本降低 95%」的故事會自動現出原形，也有少數，像 Gear 在 marketing 任務上那組數據，經得起這樣攤開檢驗。

Gear 的價值不在於它今天超越了誰，而在於它把「harness 也可以被自動最佳化」這件事做成了開源專案。模型廠商繼續競爭智商的上限，這類工具在競爭的是同一份智商能被壓榨出多少產值。對每天在 Agent 裡燒 token 的人來說，後者可能才是更切身的那場競賽。