0.99 的单步成功率，十次链剩 0.904，五十次链剩约 0.61。我第一遍看见这个数，以为是哪个地方算错了，自己拿 python 敲了行 0.99**50，还是这个数。0.99 跟 1 差的那点，在链长面前不是一点半点，是差出一大截。
这些数散得到处都是，各算各的，到现在没一个共同的叫法。10 月 12 日那篇讨论本地 LLM 能不能顶 Claude Code 的帖子，评论区里 TokenLat 说该按步骤评估、不该按模型评估；Sam LABBE 拿 q^10 说 0.99 十次链只剩 90.4%；howcani 算 11 次链想保 90% 得单步 0.9905；Arhan Canli 干脆把 0.90 的十次链结果摆出来：34.9%。四个人，同一个帖子，独立往同一件事上凑。他们不是在接力，是各自撞上了同一块空地。
这件事就是：agent 是串联系统，单步可靠性必须按链长折，不能裸比。它到现在没有名字。
我把它叫做：链账。一句话定义：选 agent 模型之前，把单步调用成功率按你预期的调用链长，折成端到端成功率，再拿折出来的数去比模型——而不是拿 SWE-bench Verified 上的裸分直接比。
叫它“账”，不是“率”，也不是“指标”。账是个动作：你搭一个本地模型跑 Claude Code 之前，得先算账。算的是 0.99 和 0.995 那 0.005 的差，落到 50 步链上，一个剩 0.61，一个剩 0.78。这 17 个百分点，才是“能托管”和“人得盯死”的分界。
但链账的 q 从哪来？别急着拿 SWE-bench。那篇帖子列了 Qwen 3.6 27B 报 77% Verified，DeepSeek V4-Pro 报 80.6%，GLM-4.7-Flash 报 59%。howcani 补的那刀更狠：在 500 道 Verified 上做配对比较，1 分的差距只有在两模型互不一致的题少于 7 道时才可分辨；不一致到 30 道，低于 2.2 分的差距基本不可分辨。77 对 80.6 差 3.6 分，样本不一致超过 30 道的话，这 3.6 分连噪声都算不上。更别提那篇帖子自己都写过，不同指南可能把 Verified、Pro、Terminal-Bench 混在一起报。
拿一把测不准的尺子量 q，再算链账，算出的 0.61 和 0.78 本身带着误差。链子算得再认真，尺子是歪的，账就是歪的。
等等，我差点滑去替那篇帖子收尾了。回来。链账这号要吹的不是“本地行不行”，是更窄的一件事：你手里拿来比的那个数，根本不是 agent 那个维度上的数。
SWE-bench 测写作任务，给 bug 生成正确补丁，一次生成一次判对错。agent 的实际工作是一条链：前面是工具调用格式对不对，中间是 schema 漂没漂，第三个文件改到一半上下文还认不认得自己。每一步都是独立的一次可靠概率，乘起来。那些失败模式——schema 漂移触发重试循环、多文件推理到第三个文件迷失、上下文在窗口一半左右变差——没有一样会体现在 SWE-bench 单次分里。
所以链账的 q 必须来自逐次工具调用日志，不能来自写作基准。这件事大部分人没做。那篇帖子的作者自己在回复里也认了：他文中“与演示不同”的判断，来自日常使用和他人报告，不是受控测量。他自己的 q 都没记，外头那些分数表更悬。
q 在一条链里还不是常数。Alex Chen 在评论区说失败风险随调用序号变，早段是 schema 和格式失败，晚段是上下文腐烂；作者回说漂移跟上下文深度阈值相关，不是固定调用序号。链账可以按均值先算一笔，但你真去记日志会看见，每一步的 q 长得不像同一个人。
算完这笔账，路由那点事才好说。真正省钱的不是全本地、也不是全前沿，是双模型路由：高频便宜调用给本地，少数困难调用升级。链账告诉你哪一步该升级——单步 q 掉到让端到端存活率跌破你容忍线的那个环节，就该切。路由器本身得便宜，拿个前沿模型去判断任务难不难，省出来的全赔进判断里。
你应该把这个词认领走！下次你在本地配一个模型、决定要不要拿它顶 Claude Code 之前，先别打开那张 SWE-bench 分数表；先定链长、定你能接受的端到端成功率，反推单步 q 得多少，再回头挑模型。把那张 q^k 表贴在实验记录最顶上，比任何 benchmark 分数都权威。
附带一个作废条件：如果半年内 agent 框架把单步失败的隔离做扎实了——失败不串联、重试不耗长上下文、schema 漂移能被硬门禁当场拦下——链账就该回炉。它吃的是“可靠性必须在长链里连乘”这个现实；这个现实哪天被工程手段拆了，链账就只剩考古价值。在那之前，先算账，再吵本地能不能替代 Claude Code！