一句话定义：帕累托前沿（Pareto Frontier）是指一组"已经无法同时改进"的方案集合——处在这条边界上的方案，你想让任何一个指标变好，就必然要让另一个指标变差。
用买机票来理解
假设你要订一张从北京到成都的机票，只看两件事：价格和飞行时长。有些航班又贵又慢，直接划掉。剩下的航班里，最便宜的那个、最快的那个，以及中间那些"多花两百块少坐一小时"的选项——它们构成了一条看不见的边界。排在边界上的航班就是"帕累托最优"（Pareto Optimal），边界之外的都是"被支配"（Dominated）：存在另一个航班，价格不比它贵、时间不比它长，至少一项还更好。
关键点在于：这条边界上通常没有唯一的赢家。便宜的和快的各有各的道理，取决于你到底赶不赶时间。
对应到模型选型
挑大模型时，从业者最常纠结的三个维度是：效果（任务通过率、准确度）、成本（每次调用的开销）、延迟（用户等多久看到回复）。三者天然打架——模型越大效果越好，但更贵也更慢。
于是选型的正确动作不是"找最强的那个"，而是：
1. 把候选模型列成一张指标矩阵；
2. 先剔除被支配的——那些在三个维度上都不占优的，直接出局，不用纠结；
3. 剩下的就是你的帕累托前沿，可能只剩三五个候选；
4. 再结合业务场景（是客服实时对话，还是离线批量跑数据）在这条前沿上挑一个点。
和相邻概念的区别
| 概念 | 关注点 | 典型用途 |
|---|---|---|
| 帕累托前沿 | 多目标的取舍集合，不预设权重 | 初筛候选方案 |
| 加权打分 | 先拍定权重，把多目标压成一个数 | 权重明确时的最终决策 |
| 单指标最优 | 只看一个指标，只有一个冠军 | 指标本身可代表全部诉求时 |
加权打分和帕累托前沿并不冲突，而是先后关系：先用前沿收敛候选集，再用打分做最终取舍。区别在于，加权打分要求你提前说出"效果值多少钱、延迟值多少钱"，而这个判断往往拍不准；帕累托前沿不逼你拍，它只告诉你哪些选项值得考虑。
对实际工作的意义
第一，它帮你省时间。 面对一堆模型，先做支配性筛选，比逐个跑评测高效得多。
第二，权重是会变的。 产品早期重效果，能跑通就行；用户量上来后成本变成主要矛盾；再往后延迟又成了体验瓶颈。保留一条前沿、而不是提前锁死一个模型，切换成本更低。
第三，前沿会移动。 新模型发布、推理硬件升级、量化与蒸馏等压缩手段成熟，都会把整条边界往外推——昨天还"不可兼得"的组合，今天可能就有解了。被支配的模型会重新变成前沿上的候选，所以评估要周期性做，而不是一次定终身。
需要提醒的是，模型的价格、上下文长度、吞吐这些数字变动极快，本文只讲取舍逻辑，具体参数以各家官方页面为准。