Raft算法长文本摘要多模型Token对比实验

⚠️ 声明

本文档由AI助手（Qoder）自动生成，内容基于特定时间点的API实测数据，仅供个人学习研究使用。

• 文档中的测试数据、价格信息、性能对比等仅代表测试当时的情况，可能随时变化
• 各模型的报价、性能指标请以官方最新公布数据为准
• 本文档不构成任何商业建议、产品推荐或购买指导
• 作者不对因使用本文档内容而产生的任何直接或间接损失承担责任

📌 关键要点

本实验使用相同的长文本和指令，调用5个不同厂商的模型进行一句话摘要，对比其Token消耗与摘要质量。

• 实验文本：Raft分布式一致性算法详解（约1200字）
• 测试模型：DeepSeek v4-flash、DeepSeek v4-pro、Kimi k2.6、智谱GLM-5.1、通义千问3.6-max-preview
• 核心任务：将技术文本总结为严格的一整句话
• 核心发现：同一任务Token消耗差异达2.2倍（860 vs 1891），推理占比从0%到95.8%，DeepSeek系列性价比最优

〇、实验对比速览

0.1 摘要结果对比（按Token消耗从低到高）

实验任务：将Raft算法长文本（约1200字）总结为一句话

💡 核心发现：同一长文本，不同模型的Token消耗差异达2.2倍（860 vs 1891），推理占比从0%（Kimi/通义千问）到95.8%（通义千问），DeepSeek系列性价比最优，响应时间从2.87秒到27.62秒差异显著。

0.2 Token消耗详细对比

📊 输出Token消耗（从低到高，按性价比排序）：

1. DeepSeek v4-flash: 860 tokens  (prompt:732, completion:128)  💰 ¥0.000992
2. DeepSeek v4-pro:  899 tokens  (prompt:732, completion:167)  💰 ¥0.003201
3. Kimi k2.6:        1480 tokens (prompt:715, completion:765)  💰 ¥0.025310
4. 智谱 GLM-5.1:     1745 tokens (prompt:758, completion:987)  💰 ¥0.028228
5. 通义千问 3.6-max: 1891 tokens (prompt:731, completion:1160) 💰 ¥0.069459

0.3 质量与成本对比

0.4 核心发现

一、实验环境

1.1 实验文本（Raft算法详解）

说明：以下为完整实验文本，约1200字，涵盖Raft算法的核心概念。

Raft 算法是一种为了易于理解而设计的分布式一致性算法。它是 Paxos 算法家族的主要替代品之一。Raft 提供了一种通用的方法，用于将状态机分布在一组计算集群中，确保集群中的每个节点就相同的状态转换序列达成一致。Raft 的核心目标是保证分布式系统中的所有节点在面临故障时，依然能对单一值或一系列值达成共识。与以难以理解和实现著称的 Paxos 不同，Raft 将复杂的问题分解为三个相对独立的子问题：领导者选举（Leader Election）、日志复制（Log Replication）和安全保障（Safety）。

首先，在领导者选举方面，Raft 集群采用强领导者模型。在任何时刻，集群中只有一个领导者，其余节点均为跟随者。领导者负责处理所有客户端请求并管理日志复制。如果跟随者在随机选举超时时间内没有收到领导者的心跳信号，它会转变为候选者并发起新一轮选举任期。候选者会投票给自己并向其他节点索要选票。如果一个候选者获得了集群多数节点的投票，它将成为新的领导者。这种机制确保了系统的高可用性以及在领导者故障时的自动恢复能力。

其次，关于日志复制，一旦领导者被选出，它将开始接收和处理客户端请求。每个请求都会被追加为领导者日志中的一个新条目。随后，领导者会并行地将此条目复制到所有跟随者节点。只有当大多数节点确认收到该条目后，领导者才会将其视为"已提交"并应用到自己的状态机中，进而通知跟随者该条目已提交。这个过程保证了数据的一致性，因为所有节点都应用了相同的操作序列。

第三，安全保障与成员变更。Raft 通过多种机制确保安全。例如，领导者不能覆盖其日志中的条目，只能追加。此外，如果两个日志包含相同索引和任期的条目，它们保证存储相同的命令。Raft 还支持动态成员变更，允许在不停机的情况下添加或删除节点，这通过联合共识（Joint Consensus）实现，配置变化是渐进式的。此外，为了防止日志无限增长，Raft 包含了快照机制，将特定时间点的系统完整状态保存下来，这对于长时间运行的系统至关重要。

第四，与 Paxos 的对比。虽然两者解决同样的问题，但方法截然不同。Paxos 基于单法令（Single-Decree Paxos），需要额外的工程构建复制状态机。相反，Raft 从一开始就为复制状态机设计。Raft 的领导者模型简化了客户端交互和日志管理。然而，在某些边缘情况下，由于消息交换较少，Paxos 通常被认为效率更高，但这以复杂性为代价。工程团队往往更喜欢 Raft，因为其逻辑更容易转化为代码，减少了关键基础设施中出现漏洞的可能性。

最后，实际应用。Raft 在现代分布式数据库和键值存储中得到了广泛应用，如 etcd、Consul 和 TiKV。这些系统依赖 Raft 维护配置数据并协调集群状态。该算法的清晰度使开发人员更容易在网络分区或硬件故障期间推理系统行为。最近的研究还探索了优化方案，如 Multi-Raft（管理多个 Raft 组以实现水平扩展）和 Piggybacking（随日志条目发送元数据以减少延迟）。尽管年代久远，Raft 凭借其在正确性和可理解性之间的平衡，依然是可靠分布式系统工程中的基石。

1.2 实验指令

System Prompt（统一使用）：

你是一位专业的文本摘要专家。你的任务是阅读提供的技术文本，并将核心概念总结为严格的一整句话。不要添加任何解释、注释或前言，只输出那一句话。

User Prompt：

请将以上文本总结为一句话：

1.3 测试程序

from openai import OpenAI

# 1. 准备工作：初始化客户端
LLMs_API_KEY = 'sk-xxx'  # 已脱敏
LLMs_API_URL = 'https://api.xxx.com/v1'  # 根据模型替换
MODEL_NAME = "模型名称"  # 动态替换

# 初始化OpenAI客户端
client = OpenAI(
    api_key=LLMs_API_KEY,
    base_url=LLMs_API_URL
)

# 实验文本
raft_text = "Raft 算法是一种为了易于理解而设计的分布式一致性算法..."

# 调用API
response = client.chat.completions.create(
    model=MODEL_NAME,
    messages=[
        {"role": "system", "content": "你是一位专业的文本摘要专家。你的任务是阅读提供的技术文本，并将核心概念总结为严格的一整句话。不要添加任何解释、注释或前言，只输出那一句话。"},
        {"role": "user", "content": f"请将以下文本总结为一句话：\n\n{raft_text}"}
    ]
)

# 输出完整对象
print(response)

1.4 测试说明

1.5 模型API配置

# DeepSeek
LLMs_API_KEY = 'sk-xxx'  # 已脱敏
LLMs_API_URL = 'https://api.deepseek.com'
MODEL_NAME = "deepseek-v4-flash" / "deepseek-v4-pro"

# Dashscope（通义千问）
LLMs_API_KEY = 'sk-xxx'  # 已脱敏
LLMs_API_URL = 'https://dashscope.aliyuncs.com/compatible-mode/v1'
MODEL_NAME = "qwen3.6-max-preview"

# 智谱GLM
LLMs_API_KEY = 'sk-xxx.yyy'  # 已脱敏
LLMs_API_URL = 'https://open.bigmodel.cn/api/paas/v4/'
MODEL_NAME = "glm-5.1"

# 月之暗面Kimi
LLMs_API_KEY = 'sk-xxx'  # 已脱敏
LLMs_API_URL = 'https://api.moonshot.cn/v1'
MODEL_NAME = "kimi-k2.6"

二、模型输出对比

2.1 DeepSeek v4-flash

摘要内容

Raft 是一种易于理解的分布式一致性算法，通过分解为领导者选举、日志复制和安全保障三个子问题，确保集群中的节点在网络分区或故障时仍能对状态机达成共识。

推理内容（节选）

我们要求将文本总结为严格的一整句话，不能添加解释、注释或前言，只输出那一句话。文本详细介绍了Raft算法，包括其设计目标、领导者选举、日志复制、安全保障、与Paxos对比以及应用。核心概念是Raft是一种易于理解的分布式一致性算法，用于在集群中达成共识，通过分解为领导者选举、日志复制和安全保障三个子问题来实现。

原始输出

ChatCompletion(
  id='a7d4b5eb-b5d9-4bef-abb0-7b0437da5771',
  choices=[Choices(finish_reason='stop', index=0, message=Message(content='Raft 是一种易于理解的分布式一致性算法...', role='assistant', reasoning_content='我们要求将文本总结为严格的一整句话...'))],
  created=1778902345,
  model='deepseek-v4-flash',
  object='chat.completion',
  system_fingerprint='fp_8b330d02d0_prod0820_fp8_kvcache_20260402',
  usage=CompletionUsage(
    prompt_tokens=732,
    completion_tokens=128,
    total_tokens=860,
    completion_tokens_details=CompletionTokensDetails(reasoning_tokens=86),
    prompt_cache_hit_tokens=0,
    prompt_cache_miss_tokens=732
  )
)

2.2 DeepSeek v4-pro

摘要内容

Raft 是一种专为易于理解而设计的分布式共识算法，通过将问题分解为领导者选举、日志复制和安全保障三个子问题，采用强领导者模型确保在故障条件下集群对状态机指令序列达成一致，从而成为 Paxos 的主要替代方案并广泛应用于 etcd、Consul 等现代分布式系统中。

推理内容（节选）

我们被要求将文本总结为严格的一整句话。需要抓住核心概念。文本介绍了Raft分布式一致性算法，包括其设计目标（易于理解）、对比Paxos、分解为三个子问题（领导者选举、日志复制、安全保障），以及实际应用。关键摘要应包含：Raft是一种为了易于理解而设计的分布式一致性算法，通过强领导者模型分解为领导者选举、日志复制和安全保障，广泛应用于etcd等系统。需要整合为一句话。

原始输出

ChatCompletion(
  id='43062b46-de44-4047-876a-b86314bf30d7',
  choices=[Choices(finish_reason='stop', index=0, message=Message(content='Raft 是一种专为易于理解而设计的分布式共识算法...', role='assistant', reasoning_content='我们被要求将文本总结为严格的一整句话...'))],
  created=1778902349,
  model='deepseek-v4-pro',
  object='chat.completion',
  system_fingerprint='fp_9954b31ca7_prod0820_fp8_kvcache_20260402',
  usage=CompletionUsage(
    prompt_tokens=732,
    completion_tokens=167,
    total_tokens=899,
    completion_tokens_details=CompletionTokensDetails(reasoning_tokens=98),
    prompt_cache_hit_tokens=0,
    prompt_cache_miss_tokens=732
  )
)

2.3 Kimi k2.6

摘要内容

Raft是一种为了易于理解而设计的分布式一致性算法，作为Paxos的主要替代品，通过将复制状态机问题分解为领导者选举、日志复制和安全保障三个子问题，确保分布式集群节点在面临故障时对相同的状态转换序列达成共识，并广泛应用于etcd、Consul等现代分布式系统中。

推理内容（节选）

用户要求将一段关于Raft算法的技术文本总结为严格的一整句话，不要添加任何解释、注释或前言。原文核心要点：1. Raft是易于理解的分布式一致性算法，Paxos替代品 2. 核心目标：保证分布式系统节点在故障时对值达成共识 3. 分解为三个子问题：领导者选举、日志复制、安全保障...我需要把这些核心内容压缩成一句话，涵盖Raft的本质、核心机制、设计目标和优势。

原始输出

ChatCompletion(
  id='chatcmpl-6a07e5544d7822d35a136cb5',
  choices=[Choices(finish_reason='stop', index=0, message=Message(content='Raft是一种为了易于理解而设计的分布式一致性算法...', role='assistant', reasoning_content='用户要求将一段关于Raft算法的技术文本总结为严格的一整句话...'))],
  created=1778902356,
  model='kimi-k2.6',
  object='chat.completion',
  system_fingerprint=None,
  usage=CompletionUsage(
    prompt_tokens=715,
    completion_tokens=765,
    total_tokens=1480
  )
)

2.4 智谱 GLM-5.1

摘要内容

Raft是一种以易理解性为核心设计的分布式一致性算法，通过将共识问题分解为领导者选举、日志复制和安全保障三个子模块来确保集群在故障时的状态一致，从而凭借优于Paxos的工程实用性成为现代分布式系统的基石。

推理内容（节选）

1. 分析请求：角色：专业的文本摘要专家。任务：将提供的技术文本总结为核心概念。约束1：严格的一整句话。约束2：不要添加任何解释、注释或前言，只输出那一句话。
2. 分析源文本：第1段：介绍 Raft 是一种为了易于理解而设计的分布式一致性算法...第5段：与 Paxos 的对比...第6段：实际应用...
3. 综合核心概念：它是什么？一种分布式一致性算法（Paxos的替代品）。核心目标？确保状态机在故障中的共识。关键机制？领导者选举、日志复制、安全保障...

原始输出

ChatCompletion(
  id='2026051611325873ef3040b7144faf',
  choices=[Choices(finish_reason='stop', index=0, message=Message(content='Raft是一种以易理解性为核心设计的分布式一致性算法...', role='assistant', reasoning_content='1. **分析请求：**角色：专业的文本摘要专家...'))],
  created=1778902398,
  model='glm-5.1',
  object='chat.completion',
  request_id='2026051611325873ef3040b7144faf',
  usage=CompletionUsage(
    prompt_tokens=758,
    completion_tokens=987,
    total_tokens=1745,
    completion_tokens_details=CompletionTokensDetails(reasoning_tokens=928),
    cached_tokens=0
  )
)

2.5 通义千问 qwen3.6-max-preview

摘要内容

Raft 是一种为易于理解而设计的分布式一致性算法，通过领导者选举、日志复制与安全保障三大核心机制确保集群在故障下达成状态共识，并因其工程友好性成为现代分布式系统的基石。

推理内容（节选）

Here's a thinking process: 1. Analyze User Input: Role: Professional text summarization expert. Task: Read the provided technical text and summarize the core concepts into strictly one single sentence. Constraint: Do not add any explanations, notes, or preambles. Output only that one sentence. 2. Identify Core Concepts: Raft is a distributed consensus algorithm designed for understandability. It ensures cluster nodes agree on state transitions despite failures. It decomposes consensus into leader election, log replication, and safety...

原始输出

ChatCompletion(
  id='chatcmpl-4bcb548d-2bd5-9b9d-abcb-3984ab774b47',
  choices=[Choices(finish_reason='stop', index=0, message=Message(content='Raft 是一种为易于理解而设计的分布式一致性算法...', role='assistant', reasoning_content='Here's a thinking process:\n\n1.  **Analyze User Input:**...'))],
  created=1778902428,
  model='qwen3.6-max-preview',
  object='chat.completion',
  usage=CompletionUsage(
    prompt_tokens=731,
    completion_tokens=1160,
    total_tokens=1891,
    completion_tokens_details=CompletionTokensDetails(reasoning_tokens=1111)
  )
)

三、模型参数对比

3.1 ChatCompletion对象基本参数

3.2 摘要质量对比

3.3 推理过程对比

四、CompletionUsage专题对比

4.1 基础Token统计

4.2 推理Token分析

4.3 缓存支持情况

五、成本效益分析

5.1 Token消耗排名

📊 输出Token消耗（从低到高）：

1. DeepSeek v4-flash: 860 tokens  (prompt:732, completion:128)  响应时间: 2.87秒
2. DeepSeek v4-pro:  899 tokens  (prompt:732, completion:167)  响应时间: 5.96秒
3. Kimi k2.6:        1480 tokens (prompt:715, completion:765)  响应时间: 21.26秒
4. 智谱 GLM-5.1:     1745 tokens (prompt:758, completion:987)  响应时间: 20.44秒
5. 通义千问 3.6-max: 1891 tokens (prompt:731, completion:1160) 响应时间: 27.62秒

5.2 官方报价对比（2026-05-15）

说明：以下价格为缓存未命中时的官方报价（截至2026年5月15日）

5.3 实际费用对比（基于本次实验）

计算公式：总费用 = (prompt_tokens × 输入单价 + completion_tokens × 输出单价) ÷ 1,000,000

六、关键发现

6.1 长文本处理特性

# 长文本摘要场景下的Token消耗特点
# 1. 相同的prompt_tokens (约730) 因为实验文本相同
# 2. completion_tokens差异巨大：从128到1160，相差9.1倍
# 3. 推理占比呈现两个极端：
#    - DeepSeek系列：58.7%-67.2%，适度推理
#    - 智谱/通义千问：94%-95.8%，过度推理
# 4. 响应时间与Token消耗正相关：
#    - DeepSeek系列：2.87-5.96秒
#    - Kimi/智谱：20-21秒
#    - 通义千问：27.62秒

6.2 厂商特性总结

七、实战建议

7.1 长文本摘要模型选择

7.2 成本控制技巧

1. ✅ 使用DeepSeek缓存：长文本场景下，系统提示词+文本可充分利用缓存
2. ✅ 限制max_tokens：摘要任务可限制输出长度
3. ✅ 监控reasoning_tokens：避免过度推理
4. ✅ 按需选模型：简单摘要不需要最强模型

八、总结

8.1 核心结论

1. Token消耗差异巨大：同一任务，不同模型的Token消耗从860到1891，相差2.2倍，主要差异在completion_tokens（128 vs 1160，相差9.1倍）
2. 推理占比呈现两极分化：DeepSeek系列保持适度推理（58%-67%），智谱/通义千问过度推理（94%-95.8%），导致completion_tokens暴增
3. DeepSeek系列性价比最优：v4-flash成本最低（¥0.000992）、速度最快（2.87秒）；v4-pro质量最佳且成本可控（¥0.003198）
4. 过度推理导致成本飙升：智谱和通义千问94%-95.8%的tokens用于推理，实际回答仅49-59 tokens，但completion_tokens高达987-1160，成本是DeepSeek-flash的28-70倍

8.2 最终推荐

长文本摘要场景配置：

# 推荐：性价比最优
deepseek-v4-flash  # 成本¥0.000992，速度2.87秒，适合批量处理

# 高质量：信息最全面
deepseek-v4-pro    # 成本¥0.003198，包含应用场景，适合关键文档

📝 实验日期：2026-05-16
👤 作者：BYP
🔗 相关笔记： - 多模型ChatCompletion对象对比分析 - OpenAI CompletionUsage对象详解与跨厂商对比 - 大语言模型Token详解与成本分析 - 大语言模型Prompt缓存机制详解