同一题跑两次，账单可以差三十倍

若你曾看过 Agent 在「看起来很简单」的修补上烧光额度，或任务失败却仍被扣一大笔费用，你大概已感受到整个产业的痛点：成本不透明、结果不保底、消耗难预估。2026 年多机构在 OpenHands 与 SWE-bench Verified 上的研究，把这种感觉量化了。

跨任务来看，差距极其巨大

研究团队把 500 个任务按平均 Token 消耗排序后发现：最贵任务比最便宜任务多消耗约 700 万 Token。成本越高的任务，不同运行轮次之间的方差也越大——贵的不只是贵，还极度不稳定。

同一任务跑四次，仍是移动靶

为了检验同一议题是否有「典型账单」，团队对同一任务、同一模型做四次重复运行，并比较最贵与最便宜的一轮。平均而言，最贵约是最便宜的两倍；部分任务甚至达到约 30 倍。

• 不能把过去的一次运行，当成下一次的可靠报价
• 安静成功与绕圈失败，在产品功能上看起来一样，账单却可能完全不同

为什么收费会让人觉得莫名其妙

Agent 会探索：开档、重试修改、跑测试，有时还会绕远路。又因每轮会回灌越来越大的上下文，小小的行为偏离就会变成巨大的 Token 波动。对用户来说，这很像「魔法定价」——同一个 bug，今晚可能十万 Token，明晚可能几百万。

精确的事前预测或许仍难。用户与服务商仍可把波动当成一等公民的产品问题：预算上限、硬停止、提前预警，以及 Agent 继续花钱前的明确授权。数据里不舒服的真相很简单——Agent 的 Token 用量，不是稳定单价。