同一題跑兩次，帳單可以差三十倍

若你曾看過 Agent 在「看起來很簡單」的修補上燒光額度，或任務失敗卻仍被扣一大筆費用，你大概已感受到整個產業的痛點：成本不透明、結果不保底、消耗難預估。2026 年多機構在 OpenHands 與 SWE-bench Verified 上的研究，把這種感覺量化了。

跨任務來看，差距極其巨大

研究團隊把 500 個任務按平均 Token 消耗排序後發現：最貴任務比最便宜任務多消耗約 700 萬 Token。成本越高的任務，不同運行輪次之間的方差也越大——貴的不只是貴，還極度不穩定。

同一任務跑四次，仍是移動靶

為了檢驗同一議題是否有「典型帳單」，團隊對同一任務、同一模型做四次重複運行，並比較最貴與最便宜的一輪。平均而言，最貴約是最便宜的兩倍；部分任務甚至達到約 30 倍。

• 不能把過去的一次運行，當成下一次的可靠報價
• 安靜成功與繞圈失敗，在產品功能上看起來一樣，帳單卻可能完全不同

為什麼收費會讓人覺得莫名其妙

Agent 會探索：開檔、重試修改、跑測試，有時還會繞遠路。又因每輪會回灌越來越大的上下文，小小的行為偏離就會變成巨大的 Token 波動。對用戶來說，這很像「魔法定價」——同一個 bug，今晚可能十萬 Token，明晚可能幾百萬。

精確的事前預測或許仍難。用戶與服務商仍可把波動當成一等公民的產品問題：預算上限、硬停止、提前預警，以及 Agent 繼續花錢前的明確授權。數據裏不舒服的真相很簡單——Agent 的 Token 用量，不是穩定單價。