这类问题我又碰上了一次。工单摘要一直用旗舰模型跑，每天 4000 条，单月成本 1.8 万，抽检发现摘要质量与轻量模型差别很小，团队开始评估降级。
第一反应是「降级缺 A/B 数据支撑，没人敢拍板」，验证下来不成立。
排查方向其实有限，先把可能性排一排。摘要任务没有分级，全部走同一档模型；没有按长度和复杂度选择模型；重跑历史摘要时又用了一次旗舰模型。
上来先按任务类型拆分成本
python cost_report.py --group-by task --since 30d接着用 200 条样本双模型对比摘要质量
python ab_summary.py --docs 200 --models flagship,mini然后按长度设置分档路由
python -c "print({'lt_3000':'mini','else':'flagship'})"灰度一周看人工评分与返工率
python review_report.py --task summary --window 7d怎么算真的好了，看的是同一批现象。轻量模型承接了 78% 的摘要请求，人工评分只差 0.3 分，月成本从 1.8 万降到 0.6 万。
降级要看任务而不是看整体，摘要这类任务对模型能力不敏感；先用样本双跑拿到数据，再按长度分档，别一刀切。这类问题最好一次改到位，反复小改反而容易把原因搅混。