智慧代理沙箱的經濟帳：真正該買的是有效交付

Modal 在 2026 年 10 月 19 日公布的 Vera 測試中，報告了資源競爭下相對同等級 x86 GNR 最高兩倍的沙箱任務吞吐量。這是公司基準結果，並非普遍保證。Modal 原文

採購者接下來要回答的是：硬體成績怎樣變成更好的營運結果？以下是 OMN 的分析框架：比較在約定時限內完成、且通過驗收的任務總成本。僅憑處理器排名，無法完成這道判斷。

先定義分母，再談效能

假設兩台伺服器每小時分別花費 4 美元和 6 美元，能交付 800 項與 1,200 項合格任務。它們的單位成本同為 0.5 美分。第二台提供更多容量，卻沒有降低單位成本。若其中只有 900 項滿足時限，合格交付的成本就升至約 0.67 美分。以上數字僅示範計算方法，不是產品報價或實測資料。

驗收標準應在測試前確定。程式任務可以要求測試通過、修補程式可用；資料任務可以要求輸出完整、符合規定格式。重試是新增嘗試，不是新增交付。失敗嘗試消耗的資源要計入成本，卻不能計入成功產出。

這樣，討論就從機器做了多少動作，轉向組織得到了多少需要的結果。忙碌的伺服器仍然可能很昂貴。

固定任務組合，避免分母漂移

公開的 Agentless Agent Bench 使用 50 項無網路、預熱的標準解工作負載，只計通過驗證的完成次數，並排除模型輪次延遲。基準儲存庫

它不衡量推理品質。採購試驗應固定模型、提示詞、任務組合、成功判定和工具權限，只改變執行環境。否則，推理能力或任務選擇的差異，就可能被誤認成硬體收益。

另一個陷阱是任務權重。假設工作中有大量短檢查和少量長建置，某台主機可能完成更多檢查，卻讓所有建置錯過期限。因此，總數之外還要按任務類別報告結果。對重要工作單獨設定服務目標，不能讓容易任務的大量完成掩蓋關鍵任務的失敗。

找到有用的並行上限

比起能啟動多少沙箱，更有效的做法是逐步增加任務到達速度，找到服務承諾開始失守的位置。每一步記錄驗收通過率、中位延遲、高百分位延遲和總成本。要測試繁忙時段，而不只是全天平均值。

真正有用的容量，是仍滿足全部條件的最高持續任務到達率。實際運作還應在這個邊界以下留出餘裕。一次經過充分準備的一分鐘尖峰，並不能證明系統可同時應對持續突發、主機故障和環境重建。

做兩組比較：同樣預算能買到多少合格交付，以及同樣服務品質需要多少預算。前者測購買力，後者測成本。分開回答，才能避免把更貴的效能等級誤稱為節省成本。

把計費表和等待佇列一起看

Modal 文件規定，沙箱按申請資源與實際用量中較高的一項計費。資源說明

因此，實驗對象不只是硬體，也包括計費方式。記錄實際帳單口徑、記憶體、儲存、網路費用和閒置預留，不要將吞吐量改善直接換算成想像中的折扣。供應商可能提高營運效率卻不調低價格；客戶也可能得到更快回應，卻沒有減少帳單。

Linux PSI 能衡量資源停頓時間。核心文件 將它與任務時間戳記對照，區分主機資源壓力和應用程式延遲，再檢驗這種區分能否預測任務逾時。

區分容量收益與現金收益

圖表中的容量增益可以連續變化，伺服器採購和某些合約卻不能。假設一項服務需要三台機器滿足尖峰目標，新配置理論上把需求降到兩台半，實際仍可能必須付三台的錢。只有真正撤掉一個計費單位、合併其他工作或調整承諾，節省才會兌現。這同樣只是範例，並非描述任何供應商的合約。

收益也可能表現為延後下一次擴充。它有價值，但應與本月帳單下降分列。寫清每種收益在什麼需求水準下出現，以及由誰獲得：基礎設施營運方、應用團隊，還是最終客戶。否則，工程團隊看到的效率提升，容易被財務團隊誤讀成已經實現的現金節省。

還要保留不確定性範圍。在有代表性的多個運作時段重複比較，而不是用最好的一次結果編預算。如果需求或驗收率稍有變化，購買結論就會逆轉，就先降低承諾、繼續蒐集證據。穩健的決策不應要求所有樂觀假設同時成立。

轉換成本也屬於採購成本

更換硬體還有實施帳單。驗證映像與相依套件、重建產物、核對輸出，以及試驗期間維護混合環境，都需要工程時間。如果一種少見相依套件擋住了重要任務，即使平均表現很好，這個例外也必須進入決策。

按照預期的合格任務數量，把轉換成本分攤到現實的評估週期。還要檢查離峰時段：高使用率下划算的容量，在需求稀疏或波動時未必值得買。沒有必要讓每一種工作都遷移到同一種主機。

分階段上線可以保留選擇空間。先挑輸入和驗收條件清晰的一類任務，與對照組比較；只有完整費用和尾端延遲持續合格時，才擴大範圍。退出條件應和進入條件一樣明確。

採購結論應寫清四件事

要求可重現的任務組合、包含失敗與閒置承諾的成本邊界、品質與延遲門檻，以及還原路徑。再明確收益究竟是更多容量、更低帳單，還是更快交付。這些好處可以共存，卻不能互相替代。

更重要的變化，是讓執行基礎設施對智慧代理產品的最終結果負責。只計算按時交付的可用工作。當這個數字的成長快於完整成本，經濟收益才真正成立。在此之前，一項吞吐量成績適合成為嚴謹試驗的起點，還不適合直接寫進下一季的節省預算。