三个维度提前交底：价格按我调研和实际用过的口径写；稳定性写真实接入体验；速度要先坦白——我没做过正式压测 benchmark，四个平台的速度栏我全部写「没测到」，宁可缺一栏也不编数。标题叫实测，实的是价格和可用性测，速度那部分留给以后补。

四个平台逐个过堂

1. 硅基流动：白嫖起步的最佳一站

我用了什么：文本链路的全套起点。BAAI/bge-m3 embedding——免费，1024 维，OpenAI 兼容接口；精排 bge-reranker-v2-m3 也是免费用的（免费档留了优化空间，但起步阶段完全够）。我那套 RAG 上线时向量库和精排一分钱没花，就是它在撑。

价格记录：文本 embedding 免费（注册时有千万级 token 免费额度）；后来做多模态调研时它的 qwen3-vl 系模型报价是 embedding 约 ¥0.7/百万 token、rerank 约 ¥1.8/百万 token。

稳定性：Key 长期可用，接口兼容 OpenAI 格式所以换模型几乎零改动。多模态选型定案后，它的角色从主力降为容灾备胎——不是它不好，是主平台统一之后的架构选择。

一句话结论：个人项目和学习期，文本向量化和精排从它的免费档起步，没理由先花钱。

2. 阿里云百炼：主力大模型和多模态都押这

我用了什么：项目的主大模型配置就是百炼，Key 确认可用（中间有过一次 401，查下来是旧配置记录的问题，不是平台毛病）。多模态升级选型最终定案：qwen3-vl-embedding + qwen3-vl-rerank，都是百炼。

价格记录：qwen3-vl-rerank 约 ¥0.5/百万 token，RPM 限流 600。这个数字是当时调研横向比价的核心依据——比硅基同系 VL 模型便宜（0.5 对 1.8），功能上是图/文统一打分，一个模型把两个模态的精排全包了。embedding 侧默认 2560 维可选 1024，32K 上下文。

稳定性：国内直连，没有翻墙环节的拖累；RPM 600 对个人项目意味着限流风险主要在平台侧而不是我这侧。

一句话结论：要用国产多模态（图文同空间向量 + 统一精排），百炼是目前把事办全的那家。

3. DeepSeek：生成层的性价比答案

我用了什么：RAG 链路的最后一公里——候选片段注入后，deepseek-chat 流式输出（SSE），前端打字机效果。

价格记录：没记下来。 选它的时候主要看生成质量和流式接口的顺滑度，账单没细算过，不编。

稳定性：在我的问答链路里跑了几个月，配合 system prompt 的硬约束（只根据资料回答、找不到就说找不到）表现稳定。生成侧挂了整个答案链路就断，所以我在代码里把它当作「可能会死的一环」来设计——这话在下面稳定性专节展开。

一句话结论：中文生成 + 流式问答场景，它是我这套系统的默认答案；价格敏感的项目自己去看实时价目，我给数会过时。

4. agicto：放了，但说实话

这个平台在我的调研清单里过过一遍，但没深度用过，以下是听说级别的印象：属于聚合/中转类服务，卖点是一站式接多家模型。价格、延迟、稳定性我一律没有实测数据——没测到。

为什么还写它？因为这类中转站是大模型 API 水最深的一层：价格看着香，链路中间多一个不透明的倒手方，Key 安全和数据合规都是暗坑。我自己的原则：没验证过的中转，主力链路绝不走，测试链路悠着走。

钱到底花在哪：先看懂三类调用的消耗结构

比价之前，有个比单价更重要的事：RAG 系统里三类 API 调用的消耗曲线完全不是一回事，搞混了就会错把省钱省到刀背上。

Embedding 是「一次性大头」。 全量文档切块后要逐块转向量，文档灌一遍库就付一遍的钱；以后只有新增和改版才再扣。所以它最适合白嫖免费档——我那套系统文本链路整个建库没花钱，就是靠硅基流动的 bge-m3 免费额度撑的。但注意一个隐藏税：向量空间换模型 = 全量重灌，新旧向量绝不能在一个库里混存（同维度也不行），正规做法是环境变量指向影子库先验证，通过后删掉正式库同名重建，把 published 文档逐篇重新向量化——这一步等于把 embedding 的钱再交一遍。选型时拍脑袋换模型，重灌时流泪。

Rerank 是「每问必付」。 每次提问都要把粗召出来的 top-20 候选逐条过精排模型，它的 token 消耗和提问量成正比，是上线后会持续流血的口子。所以多模态定案时我盯着单价算账：百炼 qwen3-vl-rerank 约 ¥0.5/百万 token，比硅基同系的 ¥1.8 便宜太多，rerank 这种高频调用，每百万差 ¥1.3 看着不大，乘以「日提问量 × 候选条数」就不小了。这就是高频链路按厘定价，低频链路按爽定价（免费/够用就行）的原因。

生成是「弹性最大」的。 每次问答只有 top-5 片段加 system prompt 进模型，单次不贵，但 prompt 写贪了（比如把整个文档塞进去）成本立刻翻几十倍。我的做法是上下文只进精排幸存者的原文，其余一律不进。另外百炼 qwen3-vl-rerank 那个 RPM 600 的限流也要提前算：个人项目够用，真上量了这就是你第一道天花板，平台「稳不稳定」有时其实是「限不限流」的问题。

顺手记下海外模型的连不通

比价过程中撞过两面墙，都不是模型本身的问题，是「从国内连」的问题：

• jina-reranker-m0：多模态精排候选之一，国外服务，国内连通性存疑，直接出候选；
• Tavily 搜索 API（首页 AI 助理的联网工具）：官方域名国内常被墙，改走国内镜像 api.tavily.cn 才通；免费额度 1000 credits/月——顺手把额度监控也挂上了，白嫖的额度也是要被管理预算的。

结论粗暴但实用：选型清单里凡是国外服务，先测连通再测能力，不然文档写完第一天就卡在网络层。

三张表 + 一条保命心得

价格和用途汇总（空栏 = 没测到/没记，不猜）：

最后那条保命心得比任何比价都值钱：平台级稳定性，与其指望供应商，不如指望自己的降级代码。 我那套 RAG 里每一条外部调用都有 Plan B——双路检索单路挂了另一路兜底、rerank 不可用自动退回融合分数排序、query 改写失败就用原话检索。接入任何 API 之前先问自己：它今天挂了，我的系统是报错还是变笨？答案是「变笨但不报错」，这钱花得才安心。

省钱的完整逻辑闭环是：先画消耗曲线再选平台（一次性白嫖、高频盯单价、弹性管 prompt）→ 免费档起步（硅基）→ 主力按能力定价选（百炼/DeepSeek）→ 中转站不碰主力链路 → 降级通道写好再省钱。 速度对比那栏的欠账，等我把 benchmark 脚本补上再写一篇续账。下一篇回到 RAG 系列内部：效果差的时候怎么十分钟定位是检索还是模型的锅，调试手册单开一页。