AI基准测试

AI模型，按质量和成本对比。

以实用视角呈现已发布的模型得分，帮助你在不丢失细节的情况下比较能力、类别优势和运行成本。

查看价值图表基准来源最新选定发布 · 2026年6月25日

我该为哪个模型付费？

比较每项任务的得分和成本，涵盖所有推理强度设置。

每条线代表一个模型，每个点代表一种推理强度设置，从低到最高。越靠上，能力越强；越靠左，成本越低。蓝色阶梯连接了那些没有更便宜选项能胜过的设置。

数据于 2026年11月10日从 Artificial Analysis 获取，使用 Artificial Analysis Intelligence Index v5.0.1。

图表怎么看

越靠上表示 Intelligence Index 得分越高；越靠右表示每项任务成本越高。成本轴采用对数刻度，因此每条网格线代表前一条的 10 倍。
蓝色阶梯上的点代表相应价格下最值得买的选项：没有更便宜的选项得分更高。阶梯下方的选项都不如某个更便宜的选项。
这里的一项任务指基准测试中的一个测试任务，其中很多任务耗时较长且包含多个步骤。可以用成本比较模型，不要据此编制预算：日常邮件的成本只是其中一小部分。

智能程度与每项任务成本

键盘操作：按 Tab 进入图表；按左右键沿线移动，上下键切换线条；按 Enter 选择，按 Escape 清除。

图中每个点都列出了模型、工作量设置、智能指数、每项任务成本，以及它是否值得买。
模型	工作量	指数	每项任务成本	最值得买
Claude Fable 5.2	低	54	US$3.10	否
Claude Fable 5.2	中	56	US$3.80	是
Claude Fable 5.2	高	62	US$9.08	是
Claude Fable 5.2	超高	62	US$14.83	是
Claude Fable 5.2	最高	65	US$26.54	是
Claude Opus 5.5	低	35	US$0.98	否
Claude Opus 5.5	中	48	US$2.45	否
Claude Opus 5.5	高	52	US$3.47	否
Claude Opus 5.5	超高	57	US$6.05	是
Claude Opus 5.5	最高	59	US$10.04	否
Claude Sonnet 5.5	低	26	US$0.51	否
Claude Sonnet 5.5	中	31	US$0.78	否
Claude Sonnet 5.5	高	42	US$1.64	否
Claude Sonnet 5.5	超高	50	US$4.09	否
Claude Sonnet 5.5	最高	55	US$10.02	否
Claude Haiku 5.5	低	19	US$0.044	是
Claude Haiku 5.5	中	25	US$0.092	否
Claude Haiku 5.5	高	30	US$0.16	否
Claude Haiku 5.5	超高	35	US$0.25	否
Claude Haiku 5.5	最高	37	US$0.41	否
GPT-6 Astra	低	43	US$1.42	否
GPT-6 Astra	中	52	US$2.73	否
GPT-6 Astra	高	55	US$3.24	是
GPT-6 Astra	超高	55	US$3.66	是
GPT-6 Astra	最高	57	US$6.25	否
GPT-6.1 Sol	低	35	US$0.16	否
GPT-6.1 Sol	中	46	US$0.36	是
GPT-6.1 Sol	高	50	US$0.59	是
GPT-6.1 Sol	超高	53	US$0.76	是
GPT-6.1 Sol	最高	55	US$1.27	是
GPT-6.1 Terra	低	29	US$0.071	是
GPT-6.1 Terra	中	38	US$0.17	是
GPT-6.1 Terra	高	42	US$0.26	是
GPT-6.1 Terra	超高	45	US$0.40	否
GPT-6.1 Terra	最高	51	US$0.96	否
GPT-6 Luna	低	10	US$0.005	是
GPT-6 Luna	中	18	US$0.042	是
GPT-6 Luna	高	21	US$0.073	否
GPT-6 Luna	超高	23	US$0.10	否
GPT-6 Luna	最高	28	US$0.15	否
Gemini 4 Carbon	低	54	US$7.19	否
Gemini 4 Carbon	中	58	US$6.59	是
Gemini 4 Carbon	高	60	US$7.76	是
Gemini 4 Argon	高	50	US$9.95	否
Gemini 3.8 Flash	中	30	US$6.26	否
Gemini 3.8 Flash	高	31	US$7.77	否
DeepSeek V4.1 Flash 1017	高	29	US$0.46	否
DeepSeek V4.1 Flash 1017	最高	33	US$0.60	否
Grok 4.7	低	31	US$2.92	否
Grok 4.7	高	35	US$6.18	否
Grok 4.7	超高	36	US$7.77	否
Kimi K3.1 Pro	默认	47	US$3.68	否
Muse Ember 1.0	最高	36	US$0.14	是
Mistral Large 4	中	23	US$1.41	否
Mistral Large 4	高	26	US$2.06	否

来源与说明

每个圆点都取自对应模型的 Artificial Analysis 页面：智能指数和 Artificial Analysis 公布的每项指数任务成本，采用供应商标价并计入缓存。Dapols 只计算阶梯、性价比最高的选项和比较建议。图中只显示 Artificial Analysis 测试过的工作量设置，因此线条较短表示公布的设置较少，并非缺少测量数据。

Gemini 4 Carbon 的线条出现了回折：Artificial Analysis 测得其低档设置的每项任务成本高于中档设置。图中按公布数据绘制。

Artificial Analysis 对 Gemini 3.8 Flash 在低工作量设置下的评分为 23，但尚未公布每项任务成本，因此未显示在图中。 artificialanalysis.ai

Artificial Analysis 如何计算指数

Claude Fable 5.2 低 · 中 · 高 · 超高 · 最高
Claude Opus 5.5 低 · 中 · 高 · 超高 · 最高
Claude Sonnet 5.5 低 · 中 · 高 · 超高 · 最高
Claude Haiku 5.5 低 · 中 · 高 · 超高 · 最高
GPT-6 Astra 低 · 中 · 高 · 超高 · 最高
GPT-6.1 Sol 低 · 中 · 高 · 超高 · 最高
GPT-6.1 Terra 低 · 中 · 高 · 超高 · 最高
GPT-6 Luna 低 · 中 · 高 · 超高 · 最高
Gemini 4 Carbon 低 · 中 · 高
Gemini 4 Argon 高
Gemini 3.8 Flash 中 · 高
DeepSeek V4.1 Flash 1017 高 · 最高
Grok 4.7 低 · 高 · 超高
Kimi K3.1 Pro 默认
Muse Ember 1.0 最高
Mistral Large 4 中 · 高

最新基准与模型更新

本页排行榜是 LiveBench 6 月 25 日发布的版本，于 2026 年 9 月 22 日重新抓取。现在包含 Grok 4.7 xHigh 和 DeepSeek V4.1 Flash Max Effort。下方的模型说明来自厂商自己的页面，并已如此标注。

Grok 4.6

与 Grok 4.5 相同的 $2 / $6 API 价格。xAI 报告 Artificial Analysis Intelligence Index 为 61——与 GPT-5.6 Sol Max 持平，比 Fable 5 Max 低一分。在知识工作评估中表现强劲；Terminal-Bench v3 上为 26%。

阅读 Grok 4.6 简报

DeepSeek V4.1 Flash

DeepSeek V4.1 Flash 于 2026 年 9 月 10 日在新的 deepseek-flash API id 上取代了 V4 Flash，非高峰期为每 1M tokens $0.15 / $0.60，高峰期为 $0.30 / $1.20。从 9 月 14 日起，V4 Pro 请求也会路由到它，所以现在就切换模型 id。LiveBench 现在给 V4.1 Flash Max Effort 的总分为 81.1。

在模型追踪器中查看

排行榜行仅来自已发布的 LiveBench 数据。我们不会编造得分。

Best overall

Claude Fable 5.1 Max Effort leads this snapshot at 83.4 overall, $1.212 per successful task.

Best value per task

ox-alpha-max runs at $0.000 per successful task and still scores 69.2 overall.

Best open weights

DeepSeek V4.1 Flash Max Effort is the strongest open-weight model here at 81.1 overall — the option you can host yourself.

Best per capability

If your work is mostly one kind of task, these lead their category in this snapshot.

推理: GPT-6 Astra Max Effort 92.7
编码: Claude 5.5 Opus Thinking Max Effort 89.3
智能体编码: DeepSeek V4.1 Flash Max Effort 77.3
数学: Claude 5.5 Opus Thinking Max Effort 97.1
数据分析: GPT-6 Astra Max Effort 83.0
语言: Claude Fable 5 Max Effort 90.7
指令遵循: Gemini 3.8 Flash High 81.4

Every number above comes from the 2026-06-25 release dated 2026-06-25, published by a third-party benchmark and reproduced unaltered.

下面的排行榜中，谁的表现最强？

页面顶部的前沿模型图表会告诉你哪个模型值得付费。此图表按分数排列排行榜快照中的模型，让你看清领先者之间的实际差距。

它们的排名

越长越好。条形显示总体得分（满分100）；每个条形旁边的数字是精确值。选择一行可将该模型带入下方的成本图表。

显示58个中的前12个。切换到完整比较视图以查看每个模型。

类别概况

从排行榜中选择最多三个模型来比较它们的七个类别分数。

Claude Fable 5.1 Max Effort83.4
ox-alpha-max69.2
DeepSeek V4.1 Flash Max Effort81.1

推理91.776.686.7
编码86.475.880.0
智能体编码66.152.677.3
数学97.077.593.3
数据分析80.375.879.3
语言89.566.181.2
指令遵循73.060.370.0

每个赛道从0到100。越靠右越强；粗体数字是该行的领先者。

以表格形式阅读这些分数

类别概况
类别	Claude Fable 5.1 Max Effort	ox-alpha-max	DeepSeek V4.1 Flash Max Effort
推理	91.7	76.6	86.7
编码	86.4	75.8	80.0
智能体编码	66.1	52.6	77.3
数学	97.0	77.5	93.3
数据分析	80.3	75.8	79.3
语言	89.5	66.1	81.2
指令遵循	73.0	60.3	70.0

排行榜

对每个类别进行排序，缩小列表，并打开模型以查看其发布的子任务细分。

01
Claude Fable 5.1 Max Effort
Anthropic
83.4
总体
US$1.212
每次成功任务
数学97.0推理91.7语言89.5
02
Claude 5.5 Opus Thinking Max Effort
Anthropic
83.2
总体
US$0.799
每次成功任务
数学97.1推理92.2编码89.3
03
Claude Fable 5 Max Effort
Anthropic
83.0
总体
US$1.439
每次成功任务
数学96.0语言90.7推理89.7
04
GPT-6 Astra Max Effort
OpenAI
82.2
总体
US$0.736
每次成功任务
数学96.8推理92.7语言89.4
05
GPT-6.1 Sol Max Effort
OpenAI
81.6
总体
US$0.142
每次成功任务
数学96.8推理92.6语言90.1
06
Muse Spark 1.3 xHigh Effort
Meta
81.6
总体
US$0.219
每次成功任务
数学95.9推理89.7语言82.8
07
DeepSeek V4.1 Flash Max Effort
开源
DeepSeek
81.1
总体
US$0.029
每次成功任务
数学93.3推理86.7语言81.2
08
GPT-5.6 Sol Max Effort
OpenAI
81.0
总体
US$0.515
每次成功任务
数学96.2推理91.7语言87.7
09
GPT-5.5 Thinking xHigh Effort
OpenAI
80.2
总体
US$0.435
每次成功任务
数学95.9推理89.7语言87.4
10
Claude 5 Opus Thinking Max Effort
Anthropic
80.1
总体
US$0.699
每次成功任务
数学95.7推理91.2语言88.7
11
GPT-6 Sol Max Effort
OpenAI
79.3
总体
US$0.268
每次成功任务
数学96.4推理88.7语言85.3
12
Kimi K3
开源
Moonshot AI
79.2
总体
US$0.348
每次成功任务
推理90.7语言85.5数学84.4
13
Gemini 3.7 Flash High
Google
78.8
总体
US$0.157
每次成功任务
数学93.5推理87.8语言85.5
14
Qwen 3.8 Max
开源
Alibaba
78.5
总体
US$0.275
每次成功任务
数学91.3推理88.2语言79.7
15
Muse Spark 1.2 xHigh Effort
Meta
78.0
总体
US$0.375
每次成功任务
数学91.2推理90.0语言78.6
16
Grok 4.6 xHigh
xAI
78.0
总体
US$0.207
每次成功任务
数学92.6推理90.5语言83.7
17
GPT-5.4 Thinking xHigh Effort
OpenAI
78.0
总体
US$0.387
每次成功任务
数学94.1推理88.1语言82.6
18
GPT-5.6 Terra Max Effort
OpenAI
77.9
总体
US$0.352
每次成功任务
数学94.9推理90.6语言82.9
19
Claude Sonnet 5.5 xHigh Effort
Anthropic
77.8
总体
US$0.141
每次成功任务
数学96.7编码88.9推理86.8
20
DeepSeek V4 Pro 0813
开源
DeepSeek
77.4
总体
US$0.044
每次成功任务
数学95.1推理85.8语言82.1
21
Grok 4.7 xHigh
xAI
77.4
总体
US$0.718
每次成功任务
数学95.7推理82.7语言80.1
22
Gemini 3.1 Pro Preview High
Google
77.0
总体
US$0.286
每次成功任务
数学91.0语言85.4推理84.0
23
DeepSeek V4 Flash Vision Exp
开源
DeepSeek
76.8
总体
US$0.051
每次成功任务
数学87.8推理85.4语言80.4
24
Claude 4.7 Opus Thinking xHigh Effort
Anthropic
76.5
总体
US$0.528
每次成功任务
数学92.9推理87.2编码82.1
25
Claude 4.8 Opus Thinking Max Effort
Anthropic
76.2
总体
US$0.983
每次成功任务
数学94.3推理89.2编码81.8
26
Qwen 3.8 Flash Next
开源
Alibaba
76.2
总体
US$0.042
每次成功任务
推理87.4数学85.8指令遵循77.1
27
GLM-5.3
开源
Z.AI
76.1
总体
US$0.450
每次成功任务
数学87.9推理85.8语言79.9
28
Claude Sonnet 5 xHigh Effort
Anthropic
76.0
总体
US$0.505
每次成功任务
数学92.9推理88.7编码80.7
29
Grok 4.5
xAI
75.8
总体
US$0.131
每次成功任务
数学90.8推理87.2语言82.8
30
Gemini 3.8 Flash High
Google
75.8
总体
US$0.307
每次成功任务
数学91.6推理89.3语言87.8
31
Qwen3.8 27B
开源
Alibaba
75.3
总体
US$0.094
每次成功任务
数学86.2推理80.0数据分析76.6
32
Muse Spark 1.1 xHigh Effort
Meta
75.3
总体
US$0.198
每次成功任务
推理87.7数学87.1编码77.2
33
GPT-5.2 High
OpenAI
74.6
总体
US$0.234
每次成功任务
数学93.2推理83.2语言79.8
34
Gemini 3.5 Flash High
Google
74.6
总体
US$0.249
每次成功任务
数学88.2语言84.6推理82.0
35
Claude 4.6 Opus Thinking High Effort
Anthropic
74.5
总体
US$0.404
每次成功任务
数学89.3推理88.7语言83.3
36
DeepSeek V4 Flash 0731
开源
DeepSeek
74.2
总体
US$0.060
每次成功任务
数学86.8推理86.6数据分析79.3
37
GPT-5.2 Codex
OpenAI
74.0
总体
US$0.187
每次成功任务
数学88.8编码83.6数据分析78.2
38
GPT-5.6 Luna Max Effort
OpenAI
73.6
总体
US$0.169
每次成功任务
数学87.2推理85.6编码82.9
39
Gemini 3.6 Flash High
Google
73.6
总体
US$0.235
每次成功任务
数学86.4推理85.1语言83.9
40
GLM-5.2
开源
Z.AI
73.2
总体
US$0.225
每次成功任务
数学89.8编码79.7推理78.6
41
Qwen 3.7 Max
Alibaba
73.1
总体
US$0.182
每次成功任务
数学85.2推理83.3语言79.7
42
Claude 4.6 Sonnet Thinking Medium Effort
Anthropic
73.0
总体
US$0.306
每次成功任务
数学87.0推理84.8编码79.3
43
Claude 4.5 Opus Thinking High Effort
Anthropic
72.6
总体
US$0.610
每次成功任务
数学90.4语言81.3推理80.1
44
GPT-6 Luna Max Effort
OpenAI
72.0
总体
US$0.026
每次成功任务
数学89.1推理81.8编码79.0
45
Inkling xHigh Effort
开源
Thinking Machines
71.9
总体
US$0.310
每次成功任务
数学88.4推理78.3语言73.5
46
GLM-5.3 Flash
开源
Z.AI
71.6
总体
US$0.031
每次成功任务
数学81.2编码79.0推理77.6
47
Kimi K2.6 Thinking
开源
Moonshot AI
70.5
总体
US$0.169
每次成功任务
数学84.3推理79.4编码78.6
48
GPT-5.4 Nano xHigh
OpenAI
69.6
总体
US$0.091
每次成功任务
数学91.0推理81.1编码70.8
49
ox-alpha-max
Stealth
69.2
总体
US$0.000
每次成功任务
数学77.5推理76.6编码75.8
50
Qwen 3.6 Plus
Alibaba
68.9
总体
US$0.227
每次成功任务
数学83.7编码78.2推理75.8
51
Kimi K2.7 Code
开源
Moonshot AI
68.4
总体
US$0.100
每次成功任务
推理82.8数学79.6语言77.9
52
Grok Build 0.1
xAI
67.8
总体
US$0.024
每次成功任务
数学78.4推理76.4语言72.5
53
Nemotron 3 Ultra 550B A55B
开源
NVIDIA
67.4
总体
US$0.371
每次成功任务
数学88.7推理74.7指令遵循73.4
54
Minimax M3
Minimax
67.3
总体
US$0.060
每次成功任务
数学76.9语言76.8数据分析76.2
55
GPT-5.4 Mini xHigh
OpenAI
66.4
总体
US$0.334
每次成功任务
数学78.5编码71.6推理71.3
56
Qwen 3.6 27B
开源
Alibaba
64.0
总体
US$0.202
每次成功任务
数学79.9编码71.8数据分析70.4
57
Gemini 3.5 Flash-Lite High
Google
63.9
总体
US$0.069
每次成功任务
编码76.1数学73.7语言71.8
58
Grok 4.3
xAI
62.3
总体
US$0.061
每次成功任务
数学84.3语言73.6推理70.8

成本是来源提供的、适用于所选范围的每个成功任务成本指标。

得分是公开第三方基准的快照，未经改动地再现。Dapols 在此基础上增加了每个成功任务成本分析。查看来源

A benchmark rank is not a hiring decision.

These scores say which model is strongest at a set of held-out tasks. They don’t say which one fits your workflow, your budget, or the tools you already pay for — and the cheapest model that clears your bar usually beats the highest scorer.

What changed recently

Dated releases from every major lab, with the vendor's own claims labelled as claims.

Open

What it costs to run

Our tool catalogue carries the price we last verified and the date we checked it.

Open

What to actually build

A deployment plan picks the stack for one workflow at your budget — models included.

Open