面试被问模型选型，怎么用发布信息答得不空泛？

近期模型发布密集：消息提到GPT-6 Sol和Luna在ChatGPT Work和Codex中面向Plus、Pro、Business、Enterprise和Edu推出；Claude Opus 5.5发布，被称为5.5系列首个模型，多数任务达到Fable 5.1水平，比Opus 5便宜约40%、快约30%。这些是发布信息，不等于你目标业务里的实际表现。

面试官问选型，想听的不是你记得几个型号，而是你怎么把业务约束翻译成模型要求。可以这样组织：先确认场景——是面向用户的实时对话，还是后台批处理？对延迟、准确率、可解释性各有什么底线？再谈候选模型在哪些维度可能匹配。

一个模拟例子：假设要做合同摘要功能，A方案用高价位模型保证长文理解，B方案用低价位模型加分段预处理。两者差别不在“谁更强”，而在错误成本、调用量和工程复杂度。你可以说：我会先小样本对比，再决定是否值得为边际效果付溢价。

成本话题怎么聊才不像背报价？

素材提到GPT-6 API价格比GPT-5.6促销价低50%，Sol为每百万token 2/10美元，Luna为0.10/0.50美元；Claude Opus 5.5平台定价为每百万token 4/20美元，缓存读取降至0.20美元。这些是标价，不是你的真实成本。

面试中更稳的说法是区分三层：标价、实际调用结构、隐性成本。缓存命中率、输入输出比例、重试次数、人工兜底都会改变账单。你可以反问团队：目前怎么核算单位任务成本？有没有按场景拆分？

如果被追问“选便宜的就行吗”，不要给全行业结论。可以说：我会先看便宜模型在核心指标上掉多少，再判断省下的钱是否覆盖体验损失。这是分析框架，不是对某家厂商的判断。

平台集成变化对产品岗意味着什么？

模型进入ChatGPT Work、Codex等平台，或出现连接器、默认模型调整，对产品岗的意义是体验变量：用户是否需要切换、数据怎么流转、失败时怎么提示。面试中可问团队如何评估集成方案，而不是假设某功能已可用。

准备时，把每条发布信息写成一张核查卡：事实是什么、适用范围是谁、我还需要确认什么。比如“面向哪些套餐推出”是事实，“我们业务能否用”要查证。

结尾给一个小建议：挑一个你熟悉的业务场景，用两三个模型写一页对比假设，标出哪些是已知、哪些待验证。面试时讲这页思路，比背价格更有说服力。