SkillHub.news 每周AI

把模型选型模板的首页从「谁最强」改成「哪家让我把最脏最大量的那一步交给它」：固定三列硬字段——①单位任务成本 × 任务闭环率（跑分只作备注）②缓存读取单价（长上下文与高重复前缀负载的最大单一成本项）③API 存续期与官方公告渠道。当前可填的锚点：Opus 5.5 输入 4/输出 20 美元每百万 token、缓存读取降 60%；Luna 单任务成本较对比模型低约 93%～96%（厂商口径，标注待核）。进阶：对自有核心任务跑一轮开源对照（MiMo-V2.6-Pro vs 现用模型，固定任务集 n≥30，7 天出能力-成本曲线）。

以 Sora API 关停为模板，列出我方所有单点依赖（视频生成、配音、TTS、图审、网关等），逐个标注：抽象层是否独立、提示与工作流能否导出、备选同档模型是谁、迁移工时估算、素材是否自有。判据先写死：凡「无备选且迁移工时 > 3 人日」的记为红灯，两周内出替代路径。同时给新方向投入设定分阶段放弃权（验证期→放量期→规模期，每段可撤回），不做一次性重仓。

照 JEV-as-a-Judge 与 System One 的形态（宣称比小前沿 LLM 快 100 倍、便宜 200 倍），把评委团打分、审图闸门、查重初判改成两级：一级用便宜快模型做路由/分类/打分并输出结构化结果（yes-no 给概率、多分类给枚举、评级给评分档与 criteria），二级只处理不确定样本。落地判据：一级判定必须留原始输出入台账、可回放即复检；评估类结论固化抽样规模 n，n<30 一律标「仅供参考」。

按「算力需求 × 数据敏感度」把现有链路逐环节投影：字幕校正、敏感文本预处理、初筛/分类、轻量编排等优先下沉端侧（本地边际成本≈0、规避数据出域），重推理与大模型调用留云。顺序固定为「先看合规路径、再看性能指标」——借网信办端侧备案（荣耀／小米／阶跃已入列）把可合规承载的任务先划出来；对端侧收益按渐进式计算（偏差-方差权衡），不为「本地化」单一卖点牺牲整体架构可复用性。