有没有人从“完成任务”的角度来评测过 A\ 和 OAI 的套餐额度消耗？

最近关于 CodeX 的额度重置有很多争议，让我想起一个大家应该都学过的典故：

宋国有个养猴子的老人，喜爱猴子，养了一大群。他能理解猴子的心思，猴子们也懂得他的心意。他宁可减少自己家中的口粮，也要满足猴子们的欲望。不久，家里的粮食就匮乏了，他打算限制猴子们的食物，又担心猴子们不听从自己的管束。于是先欺骗它们说：“给你们橡树果实，早上三颗，晚上四颗，够吗？” 所有的猴子听了都跳起来发怒。过了一会儿，他又说：“给你们橡树果实，早上四颗，晚上三颗，够吗？” 所有的猴子听了都高兴地趴在地上。

这不禁使我产生一个无端的揣测：如果地主家也没有余粮了，可能会趁模型版本更新暗改额度，被发现还是会招致批评。但如果在暗改额度的同时还不断发重置，使其内部平均消耗和之前都差不多，是不是用户反而还要感谢呢？

这里的关键在于“暗改额度”是否可以证明。之前论坛里也有相关讨论，但很多都是主观感受。而且 A\ 的消耗也不一定低，毕竟有基于 DS V4 Flash 0731 的 harness 评测发现 CC 的消耗明显要更高。

现在模型的评测很多时候已经有 per task 的消耗金额数据了。所以比较好奇，有没有人从完成任务的角度来评测过 A\ 和 OAI 套餐的额度消耗？或许可以像手机的续航测试一样，设置一揽子任务来更贴近实际应用场景。

而且这可能需要持续监测，不是多个版本前测过一次就能定论的。