OpenAI与Anthropic的Token计价标准不同，OpenAI分词器比Anthropic少产生20%-35%的Token，导致标价看似便宜实则更贵。实际成本应比较“每次成功任务的价格”，而非“每百万Token单价”。Anthropic通过打折对冲劣势，但Token效率差和隐藏推理成本仍使Opus性价比低于Sol，尤其在编程场景。

字节豆包团队开源了FullStack Bench评估基准，涵盖11类真实编程场景和16种语言，共3374个问题，提升大模型编程能力评估的有效性。同时推出支持多语言编程任务测试的SandboxFusion工具。