AI Frontier · Live Snapshot

模型前沿即時儀表板

這不是模型排行榜，而是一張選擇地圖。依照寫作、研究、程式開發與日常任務，整理目前能力最強、以及價格最合理的模型。模型和價格持續變動，這裡保留的是最近一次完成校核的快照。

更新於 2026-10-12
每週一、四自動刷新
snapshot 2026-W42

當期局勢

本期新增一個面孔：Anthropic 10/7 發布的 Claude Haiku 5.5，每百萬 token $0.10／$0.50（提示超過 100K token 時 $0.50／$2.50），單價比 gpt-5.6-luna 的 $0.20／$1.20 還低；AA 綜合智力在最高推理檔位拿 43，預設的 medium 檔位是 34。它跑完指數輸出約 4.4 億 token、屬於冗長的一類，每題平均成本 $0.21，單價低的優勢有一部分會被輸出量吃掉。目前只有 AA 一張第三方榜，長程 agentic、SWE-bench Verified 與 ARC-AGI-2 都還沒有它，本期不放進任何卡片，屬參考、非定論。上一期記下的兩個新面孔讀值不變。Anthropic 9/28 發布的 Claude Sonnet 5.5 在 AA 綜合智力拿 56，僅次於 Opus 5.5 的 58，每百萬 token $2／$10 與 Sonnet 5 同價；但它在指數上每題平均成本 $7.60，比 Sonnet 5 高約五成，便宜的是單價、不是每題花費。OpenAI 9/29 發布的 GPT-6.1 Sol 取代 GPT-6 Sol：AA 52，比 GPT-6 Astra 低一分，同樣 $2／$10，每題平均成本 $0.72，約為 Sonnet 5.5 的十分之一。兩者目前都只有 AA 一張第三方榜，長程 agentic、SWE-bench Verified 與 ARC-AGI-2 都還沒有它們。本期只把它們放進綜合智力卡與性價比卡，五個情境的首選都不換，程式開發一格仍是 Sonnet 5。另外，Google 9/30 發布的 Gemini 4 Argon 在 AA 讀 53，與 GPT-6 Astra 並列、比 GPT-6.1 Sol 高一分，促銷期每百萬 token $2／$10（之後 $4／$20）；但它目前只開放給 Google Fairwind 計畫的資安防禦夥伴，一般開發者還用不到，本期只記讀值、不放進任何卡片。其餘沒有新版：DeepSWE 一手資料檔仍是 9/22 版，SWE-bench Verified 無新版，ARC-AGI-2 沿用 9/28 讀值。

先看這裡 · 當期快速結論

日常工作Claude Opus 5定價 $5/$25 每百萬 token 是 Fable 5.1 與 GPT-6 Astra（都是 $10/$50）的一半；AA 綜合智力 51（本期 v4.3.2 表上沒有列出它，沿用上期讀值），SWE-bench Verified 96% 仍居首。同門 9/22 發布的 Opus 5.5 更便宜（$4/$20）、AA 高七分，本期補上了 ARC-AGI-2（High 93.3%、每任務 $0.41，高於 Opus 5 的 90.4%），但日常工作最看重的兩張編碼榜（SWE-bench Verified 與長程 agentic）仍沒有它，本期先不換，它仍是下期最可能接手這一格的名字。

複雜推理Claude Fable 5.1 / GPT-6 AstraAA 指數本期多了新榜首：9/22 發布的 Claude Opus 5.5 以 58 高出 Fable 5.1 與 Astra（並列 53）五分，本期它也送測了 ARC-AGI-2：High 設定 93.3%、每任務 $0.41，低於 Astra 的 95.0%、高於 Fable 5.1 的 90.0%，兩張推理相關的榜一張領先、一張居次，兩張編碼榜也還沒有它，這一格先不換。Fable 5.1 與 Astra 的同分狀態延續，兩個名字一樣難分。Astra 的 ARC-AGI-2 送測 95.0%（max 設定、每任務 $1.12）仍是那張榜的新高，高於 Sol 的 92.5%、Opus 5 的 90.4%、Fable 5.1 的 90.0%；DeepSWE 74.1% 與 Gemini 3.8 Flash、Opus 5 打平。兩者定價都是 $10/$50 每百萬 token，Astra 脈絡 105 萬 token、輸出上限 128K，跑完整套 AA 指數的成本是 $3.26 對 Fable 5.1 的 $7.63。名字的先後本期不動：AA 榜上 Fable 5.1 仍以 53.4 對 52.7 排在前面，但這 0.7 分在打平帶內、任選其一都說得過去；預算敏感時看便宜一半的 Opus 5，或單價更低、仍屬參考的 Opus 5.5（$4/$20）。

程式開發Claude Sonnet 5SWE-bench Verified 85.2%、每百萬 token $2，近頂正確率、零頭價格；這張榜本期沒有新版本，也還沒有 Astra 與 Fable 5.1 的成績。長程 agent 任務本期前三名（Astra 74.1%、Gemini 3.8 Flash 73.8%、Opus 5 73.6%）在信賴區間內打平，選型看每任務成本，見下方散點圖那一段。

大量處理／跑量GLM-5.3-Flash / gpt-5.6-lunaGLM-5.3-Flash 8/26 發布，每百萬 token $0.15／$0.50（發布時的折半促銷 9/9 到期，這組列表價從本期起才是實付價），長程 agentic 拿到 63.4%、每任務 $0.48：與 luna 的 67.2% 在誤差區間內分不開，成本卻只有六分之一，而且權重同日以 MIT 授權釋出，量大到 API 不划算時可以自己架。luna 的 $0.20／$1.20 沒有時段或到期條件，報價穩定度仍是這一格的第二選擇。DeepSeek 本期換代：V4.1-Flash 9/10 發布，尖峰每百萬 token $0.30／$1.20、離峰 $0.15／$0.60，MIT 授權、552B 總參數 16B 啟用、綜合智力本期 39，但離峰輸出 $0.60 仍高於 GLM-5.3-Flash 的 $0.50，尖峰是它兩倍以上，長程 agentic 也還沒有成績。更要留意的是 9/14 起 deepseek-v4-pro 與 deepseek-v4-flash 兩個舊名稱都被導向 V4.1-Flash，排程裡還在打舊名稱的要重新確認實際跑的是哪個模型。GPT-6 Astra 最低檔 low 設定每任務 $1.60（67.0%，9/22 重算）、Gemini 3.8 Flash $2.36，都屬於上一個價位帶；Meta Muse Spark 1.3 的 Contributor 方案 $0.10／$0.20 看似同級，但條件是提示會被拿去訓練，資料要留在自己手上的跑量工作不適用。9/20 發布的 Step 5 Preview（StepFun）每百萬 token $1.00／$2.70、綜合智力 44，單價確實比 luna 貴、比 GLM-5.3-Flash 貴上數倍，長程 agentic 也還沒有成績，跑量這一格目前排不上；它的意義在分數對單價的位置，寫在下面的觀察區。9/22 發布的 GPT-6 Luna 本期在 ARC-AGI-2 入榜（Max 59.3%、每任務 $0.06），但長程 agentic 還沒有它的成績，這一格暫不考慮。跑量看的是每任務不到半美元那一段，因此這格不換人。

預算不限Claude Opus 5SWE-bench Verified 96% 仍居首，而且是三張榜都有成績的唯一頂級模型：DeepSWE 73.6% 與 Astra 的 74.1%、Gemini 3.8 Flash 的 73.8% 在信賴區間內打平，ARC-AGI-2 90.4%。GPT-6 Astra 在 ARC-AGI-2（95.0%）與 AA 綜合智力（v4.3.2 是 53 對 51）都在它前面，但 SWE-bench Verified 還沒有 Astra，純編碼那一張無從對照，這格先不換；下期若 Astra 補上那張榜再重看。9/22 發布的 Opus 5.5 單價更低（$4/$20）、AA 58 居首，本期 ARC-AGI-2 也補上 93.3%（高於 Opus 5 的 90.4%），但 SWE-bench Verified 與長程 agentic 兩張編碼榜仍沒有它，等補上再一起重看。

這份資料適合用來縮小選擇，不適合取代你自己的任務測試。

Cost · Capability 一張圖看「差別在成本」

每個模型在 DeepSWE（長程 agentic 編碼）的正確率，對上它每個任務的平均成本。注意 X 軸與一般習慣相反：越靠右越便宜、越靠上越準，所以右上角＝又準又省。完整的作圖說明在圖的下方。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）GLM（智譜）Kimi（月之暗面）效率前緣（全設定點）同一模型的 effort 曲線（低→高）

怎麼讀這張圖：主力六個模型（sol／terra／luna／fable-5／opus 4.8／sonnet 5）各畫一條「effort 曲線」，把同一個模型從 low 到 max 五檔設定的成本與分數連成線；模型名標在它最高分的那一點。曲線越平，代表調低 effort 省錢時、分數掉得越少。其餘七個模型只畫最高分的那一點，當背景參照。金線＝效率前緣：圖上找不到任何一點能同時「更準又更省」的那些設定點連成的線；這一輪整條前緣都落在 GPT 家族（gpt-5.6-luna／gpt-5.6-terra／gpt-5.6-sol）的各設定點上。滑過任何一點，可看該設定的分數、±95% 信賴區間與每任務成本。

來源 · DeepSWE v1.1（Datacurve），113 個任務，2026-09-22 更新；數字直接取自排行榜網站的公開資料檔，成本＝每任務平均（美元）。這是單一評測（長程 agentic 編碼）的切面：純寫程式、日常對話的排名會不一樣。純編碼榜（SWE-bench Verified）本期沒有新版本，仍由 Claude Opus 5 領先（96%），受限存取的 Mythos 5（95.5%）與 Fable 5（95%）緊接；Fable 5.1 與 9/3 預覽的 GPT-6 Astra 在那張榜都還沒有成績。本圖的資料檔本期仍是 9/22 版，與 9/3 版相比分數與信賴區間逐筆都沒動，改的只有 Astra 五個檔位的每任務成本（依現行定價重算，降幅約三成、max 近四成）；9/21 到 10/7 進 AA 榜的新面孔（Opus 5.5、Sonnet 5.5、GPT-6.1 Sol、Grok 4.7、MiMo-V2.6-Pro、Haiku 5.5）、GPT-6 Luna 與 Step 5 Preview 在這張榜上都還沒有成績；OpenAI 自報 GPT-6.1 Sol 在 DeepSWE 與 Astra 相當，但 9/22 版資料檔裡沒有它，本頁不採計。Astra 的 xhigh 設定 74.1%（±2.9、9/22 版每任務 $4.43）成為長程 agentic 的第一，與 Gemini 3.8 Flash（73.8%、每任務 $2.36、±1.4）、Claude Opus 5（73.6%、每任務 $11.84、±3.9）三者依本頁打平口徑分不開，差別在成本。本圖的點落後資料檔：資料檔有十五個模型尚未畫進圖，含 GPT-6 Astra（長程榜首）、Gemini 3.8 Flash（73.8%）、Claude Opus 5（73.6%）、GLM-5.3（69.0%）、Kimi K3（68.5%）、Grok 4.6（67.5%）、Gemini 3.7 Flash（65.5%）、GLM-5.3-Flash（63.4%、每任務 $0.48）、DeepSeek V4-Pro（62.8%、每任務 $0.24）、Qwen3.8-Max（57.5%）、Muse Spark 1.2（54.9%）、Grok 4.5（53.8%）、DeepSeek V4-Flash-0731（53.3%、每任務 $0.10 是全場最低）等，這些點待人工補入，因此圖上畫出的效率曲線既不含前三名、也不含最便宜的那筆。價格也有時差、而且兩個方向都有：OpenAI 7/30 的降價未重算，Luna 與 Terra 在圖上比實際貴；DeepSeek 8/16 改成尖峰離峰計價，圖上那幾筆一毛多的成本在尖峰時段明顯偏低，而且 9/14 起 deepseek-v4-pro 與 deepseek-v4-flash 兩個名稱都被導向 9/10 發布的 V4.1-Flash，圖上那兩點是當時那兩個模型的歷史位置。本頁引用的 Arena 人類盲測 WebDev 綜合榜分數維持上期：Claude Opus 5 第一（1691）、Kimi K3 第二（1674），同站 Frontend 子榜則是 Kimi K3 第一（1679）。想看其他畫法：DeepSWE 官方互動版（每個模型的全部檔位都上圖，X 軸可切成本／輸出 token／agent 步數三種），或 Artificial Analysis（「綜合智力 vs 價格」的另一種散點畫法）。

看數據表（13 個模型）

模型	廠商	Effort	DeepSWE 分數	每任務成本	效率前緣
gpt-5.6-sol	GPT	max	72.7% ±2.8	$8.39	◆
claude-fable-5	Claude	xhigh	69.9% ±3.2	$13.41
gpt-5.6-terra	GPT	max	69.6% ±2.6	$4.95
gpt-5.6-luna	GPT	max	67.2% ±4.0	$3.03	◆
gpt-5.5	GPT	xhigh	67.0% ±6.5	$7.23
claude-opus-4.8	Claude	max	59.0% ±1.8	$13.22
claude-sonnet-5	Claude	max	53.8% ±4.2	$26.40
gpt-5.4	GPT	xhigh	51.8% ±1.5	$5.65
glm-5.2	GLM	max	43.8% ±1.7	$3.92
gemini-3.5-flash	Gemini	high	36.1% ±4.0	$3.45
kimi-k2.7-code	Kimi	預設	30.5% ±0.5	$2.82
claude-sonnet-4.6	Claude	high	29.9% ±4.1	$5.52
gemini-3.1-pro	Gemini	high	11.7% ±1.5	$2.14

Generalization 一張圖看「泛化能力」

ARC-AGI-2 用一批模型沒看過的抽象圖形推理題，測試「泛化能力」：模型能不能在完全陌生的規則上現場推理，而不是靠訓練資料裡背過的相似題型作答。分數愈高，代表愈能處理真正沒見過的問題；這跟上面程式開發榜衡量的是不同能力。

先說明：Claude Haiku 5.5 目前沒有官方送測 ARC-AGI-2 的成績。送測是廠商自願提交，不是我們從候選名單裡挑的；下方數據表列出的 14 個模型，是目前查得到官方公開成績的送測結果。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）GLM（智譜）Grok（xAI）

來源 · ARC Prize（arcprize.org/leaderboard），查證於 2026-09-28；成本為官方送測時填報的每任務金額，基準與上方 DeepSWE 圖不同、僅供同類比較，不可直接相加。

這張榜的模型清單跟上面不完全一樣：ARC-AGI-2 送測由廠商自願提交，不是我們挑選的結果。截至查證時，Claude Haiku 5.5、Gemini 4 Argon、Claude Sonnet 5.5、MiMo-V2.6-Pro、Grok 4.7、GPT-6.1 Sol、Step 5 Preview、GLM-5.3、GLM-5.3-Flash、DeepSeek V4.1-Flash、Qwen3.8-Max、Muse Spark 1.3、Muse Spark 1.2、Muse Glimmer 都還沒有官方送測成績，所以不在這張表上；不代表它們泛化能力差，只是還沒有這份榜單可比的資料。模型代號以 ARC Prize 官方送測名稱為準，可能跟上方程式開發榜的代號指涉不同世代。

看數據表（14 個模型）

模型	廠商	Effort	ARC-AGI-1	ARC-AGI-2	每任務成本
GPT-5.6 Sol	GPT	Max	96.5%	92.5%	$1.44
Claude Opus 5	Claude	Max	97.5%	90.4%	$2.06
Claude Fable 5	Claude	Max	98.5%	89.2%	$5.45
GPT-5.5	GPT	xHigh	95.0%	85.0%	$1.87
Gemini 3 Deep Think	Gemini	2/26	96.0%	84.6%	$13.62
GPT-5.6 Terra	GPT	Max	96.5%	83.9%	$1.09
Gemini 3.1 Pro	Gemini	Preview	98.0%	77.1%	$0.96
Claude 4.7	Claude	Max	92.0%	75.8%	$7.43
Claude Opus 4.8	Claude	High	92.0%	72.1%	$2.74
Gemini 3.5 Flash	Gemini	High	92.5%	72.1%	$0.85
GPT-5.6 Luna	GPT	Max	88.0%	59.5%	$0.67
Claude Sonnet 4.6	Claude	Max	86.0%	58.3%	$2.72
Grok 4.5	Grok	High	85.7%	52.6%	$0.78
GLM-5.2	GLM	N/A	77.0%	22.8%	$0.25

Safety 一張圖看「抗提示注入」

間接提示注入（indirect prompt injection）是 agent 最大的安全弱點：攻擊者把惡意指令藏在模型讀取的資料裡（網頁、工具輸出、程式碼），誘導 agent 做出未授權的動作。這張圖看的是「攻擊在 k 次嘗試內成功的機率」，愈低愈穩。這是安全維度，跟上面的能力與成本是不同的軸。

先說明：這批數字是 Anthropic 自評、不是第三方榜結果。攻擊題庫用的是獨立安全公司 Gray Swan 的公開間接注入攻擊集（28 情境、1,130 條高轉移攻擊）；由 Anthropic 在 Opus 5 發布時，對各模型統一設定跑出（Claude 不加額外防禦、所有模型開延伸思考）。其他廠尚未公佈同一攻擊集的自評，故跨廠比較僅供參考、不宜當定論。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）Muse（Meta）Grok（xAI）色帶深→淺：k=1／k=10／k=15

來源 · Gray Swan 間接提示注入攻擊集（grayswan.ai），數字為 Anthropic 自評、報告於 2026-07-24；色帶由深到淺為 k=1／k=10／k=15（愈少次就攻破＝愈不穩）。此為安全軸，不與上方能力與成本榜相加。

看數據表（14 個模型）

模型	廠商	k=1	k=10	k=15
Opus 5	Claude	0.2%	1.6%	2.0%
Mythos 5	Claude	0.3%	2.1%	2.6%
Fable 5	Claude	0.4%	2.3%	2.8%
Opus 4.8	Claude	0.5%	4.1%	5.5%
Sonnet 5	Claude	0.6%	4.7%	5.9%
Muse Spark	Muse	2.9%	14.3%	16.5%
GPT 5.6 Sol	GPT	3.1%	16.3%	20.0%
GPT 5.5	GPT	3.0%	17.4%	20.8%
GPT 5.6 Terra	GPT	5.4%	26.0%	30.4%
Gemini 3.6 Flash	Gemini	7.3%	32.2%	37.3%
GPT 5.6 Luna	GPT	8.3%	38.6%	43.9%
Gemini 3.1 Pro	Gemini	14.2%	45.7%	49.2%
Gemini 3.5 Flash	Gemini	14.1%	54.2%	60.5%
Grok 4.5	Grok	13.4%	54.2%	60.8%

這些首選是怎麼排出來的

先看分差是否在誤差內：頂端幾名多半打平，這時分數高一兩趴不算「比較強」。
打平就比成本：同一能力帶，挑每任務或每百萬 token 更便宜的那個。
再對齊任務型態：純寫程式、長程 agentic、日常對話量的能力不同，先確認榜量的是不是你的用途。
把資料主權算進成本：需要資料留在自己機器時，開源可自部署的價值不只在便宜。

這是排這張表的順序，不是硬規則。想更貼合你的情境，可用文末的提問工具讓 AI 依你的任務再比一次。

表中「成本」為 API 用量成本，非聊天訂閱月費。DeepSWE 類為每個任務的成本，SWE-bench 類為每百萬 token 的價格，兩者基準不同、僅供同類比較。

編碼榜大致分兩種讀法：廠商用自家工具跑的（例如 Artificial Analysis 的 Coding Agent Index，各家用自己的 Claude Code／Codex／Grok Build）偏樂觀、彼此可比性弱；標準化代理人跑的（例如 DeepSWE，同一把尺、防污染）較公允但涵蓋的模型少。看分數前，先確認它屬哪一類。

By Use-Case 依用途選模型

綜合智力（通用）

1 Claude Opus 5.5AA 指數 58 · $4／$20

2 Claude Sonnet 5.5AA 指數 56 · $2／$10

3 Claude Fable 5.1AA 指數 53

4 GPT-6 Astra（OpenAI）AA 指數 53

5 GPT-6.1 Sol（OpenAI）划算AA 指數 52 · $2／$10

AA 綜合智力本期多了兩個新名字。Anthropic 9/28 發布的 Claude Sonnet 5.5 以 56 排第二，比 Sonnet 5 的 38 高 18 分，只落後 Opus 5.5（58）兩分；但它在指數上每題平均輸出約 19.3 萬 token，約為 GPT-6 Astra 的七倍，每題平均成本 $7.60。OpenAI 9/29 發布的 GPT-6.1 Sol 取代 GPT-6 Sol（48），讀 52，比並列 53 的 Fable 5.1 與 Astra 低一分，每題平均成本 $0.72。兩者目前都只有 AA 這一張第三方榜，放進這張卡是照排序規則，屬參考、非定論。第五格看分數與價格的組合，本期由 GPT-6.1 Sol 接替 Muse Spark 1.3（48、$1.25／$4.25）：同樣每百萬 token $2／$10 的 Sonnet 5.5 分數高四分，但每題成本約為 Sol 的十倍，論划算是 Sol。其餘讀值沿用 9/24 的 v4.3.2：Opus 5.5 58，Fable 5.1 與 Astra 並列 53，Muse Spark 1.3 48，Grok 4.7 與 MiMo-V2.6-Pro 46，Qwen3.8-Max（0902）與 GLM-5.3 45，Grok 4.6、Step 5 Preview 與 Kimi K3 44，GPT-5.6 Terra 與 GLM-5.3-Flash 42，Gemini 3.8 Flash 41，DeepSeek V4.1-Flash 39，Sonnet 5 38，Muse Glimmer 17；Opus 5（51）、Fable 5（50）、GPT-5.6 Sol（47）與 GPT-5.6 Luna（37）沿用更早讀值。前段一兩分的差距仍該當打平讀：Sonnet 5.5 對 Opus 5.5、Sol 對 Fable 5.1 與 Astra 都是如此。AA 一個月內出了好幾個版本號，轉載站常把舊尺度的數字標上新版本號，引用前先確認版本。Google 9/30 發布的 Gemini 4 Argon 讀 53，與 Fable 5.1、Astra 並列，AA 量到的幻覺率 15%，是 45 分以上模型裡最低的；但它目前只開放給受邀的資安防禦夥伴，一般開發者還用不到，本期不放進這張卡。

來源 · Artificial Analysis Intelligence Index v4.3.2（9/24 讀值；Sonnet 5.5、GPT-6.1 Sol 與 Gemini 4 Argon 為 10/1 讀值）

純編碼能力（SWE-bench Verified）

1 Claude Opus 596%

2 Claude Fable 595%

3 Claude Sonnet 5划算85.2% · $2/M

這張榜本期沒有新版本，數字與上期相同，也還沒有 GPT-6 Astra、Fable 5.1 與 Gemini 3.8 Flash 的成績；OpenAI 這次沒有自報 SWE-bench Verified，只報了 Terminal-Bench 4.0 57.9% 與 OSWorld 2.0 72.6%，都是廠商自家 harness 的數字。榜首仍是 Opus 5（96%），受限存取的 Mythos 5（95.5%）不對外、Fable 5（95%）緊接，一般使用者的實際上限是 Opus 5。前幾名擠在 1 個百分點內，這張榜對頂級模型已接近飽和。這張卡另外要提醒一個值得警覺的例子：DeepSeek V4-Pro 在本卡來源的榜上是 80.6%、排第 11，但另一個獨立評測站用自己的 harness 跑同一份 SWE-bench Verified，給它 96.4%、排第 2。同一個 benchmark 名字，兩把尺差了 16 個百分點。另外補一筆：V4-Pro 的 API 名稱 9/14 起已被導向 DeepSeek V4.1-Flash，榜上那個分數從此只能當歷史讀。跨站比較分數前，先確認是不是同一把尺；本卡一律只用宣告的這個來源。

來源 · SWE-bench Verified（benchlm / llm-stats）

長程 agentic 編碼（DeepSWE，防污染）

1 GPT-6 Astra（OpenAI）74.1% · $4.43

2 Gemini 3.8 Flash（Google）划算73.8% · $2.36

3 Claude Opus 573.6% · $11.8

4 GLM-5.3（智譜）69.0% · $3.99

5 GLM-5.3-Flash（智譜）開源63.4% · $0.48

一手資料檔本期仍是 9/22 版（113 題）；9/22 版與 9/3 版相比，逐筆比對後各模型的分數與信賴區間都與 9/3 版相同，改的只有 GPT-6 Astra 五個檔位的每任務成本：xhigh $6.52→$4.43、high $5.72→$3.92、max $12.37→$7.50、medium $4.38→$3.08、low $2.19→$1.60，降幅約三成、max 近四成。資料檔寫明的計算基準是現行定價（每百萬 token 未快取輸入 $10、快取寫入 $12.50、快取讀取 $1、輸出 $50），沒有寫重算的原因。Astra 仍以 xhigh 74.1%（±2.9、平均約 29 步）排第一，與 Gemini 3.8 Flash 的 73.8%（±1.4）、Claude Opus 5 的 73.6%（±3.9）依本頁的打平口徑三者分不開，拉開三者的仍是成本：每任務 $4.43 對 $2.36 對 $11.84。Gemini 3.8 Flash 仍是打平帶裡最便宜的，但它對 Astra 的成本差從上期的三分之一縮成約一半。Astra 的 max 檔位 ±0.8 仍是全榜最窄的信賴區間，分數沒有比 xhigh 高，重算後成本比 xhigh 高約七成。Fable 5.1 仍未列，9/21 到 9/22 進 AA 榜的四個新面孔（Opus 5.5、GPT-6 Sol、Grok 4.7、MiMo-V2.6-Pro）、同期的 GPT-6 Luna 與 Step 5 Preview 在這張榜上都還沒有成績。打平帶往下：GPT-5.6 Sol（72.7%、$8.4）、Fable 5（69.9%）、GLM-5.3（69.0%、$3.99）與前三名也分不開；中段的 Kimi K3（68.5%）、Grok 4.6（67.5%、$3.45）、gpt-5.6-luna（67.2%）、Gemini 3.7 Flash（65.5%）、GLM-5.3-Flash（63.4%、$0.48）、DeepSeek V4-Pro（62.8%、$0.24）兩兩也分不開。除了 Astra 這五筆，其餘每任務成本仍是各設定跑榜當時的價格：OpenAI 7/30 降價未重算，Terra 與 Luna 實際更便宜；DeepSeek 8/16 改成尖峰離峰計價，V4-Pro 的 $0.24 與 V4-Flash 的 $0.10 在尖峰時段會高於這裡的數字；9/14 起這兩個 API 名稱更已被導向 9/10 發布的 V4.1-Flash，榜上這兩筆要當成當時那兩個模型的歷史成績讀，不是今天打同一個名稱會拿到的東西。GLM-5.3 權重已釋出，榜上 69.0% 那筆是可自部署的成績，廠商 README 自報的 66.9% 出自另一套 harness，別直接互比。

來源 · DeepSWE v1.1（Datacurve，9/22 版）

高效／低延遲（便宜快速）

1 Gemini 3.8 Flash（Google）划算73.8% · $2.36/任務

2 GLM-5.3-Flash（智譜）開源63.4% · $0.48/任務

3 Grok 4.6（xAI）划算AA 44 · $2／$6 每 M

4 gpt-5.6-luna划算67.2% · $3.0

跑量、批次、agent 並行時的主力：夠好又便宜。這一欄本期名單不動。10/7 發布的 Claude Haiku 5.5 每百萬 token $0.10／$0.50、AA 43（最高推理檔位），單價比 gpt-5.6-luna 更低，但還沒有長程 agentic 成績，比照 Step 5 Preview 的處理先不給名額。Gemini 3.8 Flash 仍居首：長程 agentic 73.8%、每任務 $2.36，與長程榜首 GPT-6 Astra 的 74.1%（9/22 重算後每任務 $4.43）在信賴區間內打平、成本約為一半；定價每百萬 token $0.75／$3.75 明寫到 2026-12-31，之後翻倍成 $1.50／$7.50；綜合智力本期換到 v4.3.2 後 41，比同門 3.7 Flash 的 39 高兩分。GLM-5.3-Flash 守成本那一頭：長程 63.4%、每任務 $0.48，是這張卡裡唯一每任務不到 $0.5 又留在打平帶內的；320B 總參數、18B 啟用，權重以 MIT 釋出；發布時的折半促銷（$0.075／$0.25）9/9 到期，$0.15／$0.50 的列表價從本期起才是實付價。Grok 4.6 以 $2／$6 拿綜合智力 44；同價的 Grok 4.7（9/21）拿 46，但還沒有長程 agentic 成績，本期不換。上期這裡寫它「單價與 Qwen3.8-Max（40）同級、分數高四分」，本期這句不成立了：AA 榜上 Qwen3.8-Max 現在指的是 9/1 的 0902 快照，同樣 $2／$6 拿 45，兩者已在打平帶內，舊的那筆 40 屬於另一個已停用的模型。gpt-5.6-luna 的 $0.20／$1.20 是這裡唯一沒有期限、沒有時段條件的價格，長程最高設定 67.2%。有兩個沒有進名單：Astra 的 low 檔位 67.0%、9/22 重算後每任務 $1.60，已低於 Gemini 3.8 Flash 的 $2.36，但單價 $10／$50 每百萬 token 沒有便宜的版本，吞吐一大輸出價就壓過每任務數字；Meta Muse Spark 1.3 標準價 $1.25／$4.25、綜合智力 48，Contributor 方案 $0.10／$0.20 的條件是提示會被拿去訓練，這張卡不把它算進便宜那一頭。DeepSeek V4-Flash 每任務 $0.10 仍是全場最低，但那個數字建立在 8/16 改制前的價格上，而且它 9/14 起已從 API 退場、名稱被導向 9/10 發布的 V4.1-Flash（尖峰 $0.30／$1.20、離峰 $0.15／$0.60、綜合智力本期 39）；新模型目前沒有長程 agentic 成績，離峰輸出價也高於 GLM-5.3-Flash 的 $0.50，這一格本期仍不給它名額。9/20 發布的 Step 5 Preview（StepFun）每百萬 token $1.00／$2.70、綜合智力 44，單價落在 Grok 4.6 的一半以下、分數打平，位置很適合這張卡，但它還沒有任何長程 agentic 成績、也還掛著 preview，本期不給名額、只在觀察區記一筆。這張卡原本有三筆帶到期日的價格，GLM-5.3-Flash 那筆 9/9 已到期，剩下兩筆選型時要把 2027 年的價目一起算進去。

來源 · Artificial Analysis / DeepSWE / 各家公開報價

Best Value 各價位最值得選的模型

這裡列的是不同預算下最值得考慮的選擇，也就是分析上說的「性價比前緣」。

最佳性價比（閉源）

1 Gemini 3.8 Flash（Google）划算73.8% · $0.75／$3.75 每 M

2 GPT-6.1 Sol（OpenAI）划算AA 52 · $2／$10 每 M

3 Muse Spark 1.3（Meta）划算AA 48 · $1.25／$4.25 每 M

4 Grok 4.6（xAI）划算AA 44 · $2／$6 每 M

5 Claude Sonnet 5划算85.2% · $2/M

近頂級能力、零頭價格。多數應用的預設首選。最上層仍是 Google 9/2 發布的 Gemini 3.8 Flash：長程 agentic 73.8% 與長程榜首 GPT-6 Astra 打平、每任務成本約為它 9/22 重算後的一半，每百萬 token $0.75／$3.75 是同一條打平帶裡最便宜的閉源模型。那組價格附條件，明寫到 2026-12-31，之後回到 $1.50／$7.50；它的綜合智力 41，SWE-bench Verified 也還沒有成績，划算的是長程 agent 這一格、不是全部。第二格本期新進 OpenAI 9/29 發布的 GPT-6.1 Sol：綜合智力 52，比 Astra 低一分，每百萬 token $2／$10 只有 Astra 的五分之一，AA 指數每題平均成本 $0.72；它取代 9/22 的 GPT-6 Sol（48），長程 agentic 與編碼榜都還沒有它。OpenAI 自報它在 DeepSWE 與 Astra 相當，但公開資料檔裡沒有這筆，本頁不採計。Meta 的 Muse Spark 1.3 退到第三：綜合智力 48，每百萬 token $1.25／$4.25 仍比 Sol 便宜，脈絡 100 萬 token，權重不釋出；它另有 Contributor 方案 $0.10／$0.20，條件是提示會被拿去訓練，這張卡按標準價算。Grok 4.6 排第四：$2／$6，綜合智力 44、長程 67.5%、每任務 $3.45（要留意 xAI 的長脈絡分級：提示超過 20 萬 token 後全部改按雙倍費率計）；同價拿 45 的 Qwen3.8-Max 0902 快照依本頁口徑與它打平，打平不換人。Sonnet 5 在純編碼榜仍是零頭價格拿近頂分。同樣 $2／$10 的 Claude Sonnet 5.5（9/28，AA 56）不放進這張卡：單價相同，但指數每題成本 $7.60、約為 Sol 的十倍，划算看的是實際花費。GPT-6 Astra 定價 $10／$50，不在這張卡的價格帶。xAI 9/21 發布的 Grok 4.7（$2／$6、AA 46）還沒有長程 agentic 成績，本期先不進名單。Qwen3.8-Max 的權重釋出仍未兌現，Hugging Face 上找得到的是 Qwen3.8-2.4T-A95B（綜合智力 40）與 Qwen3.8-27B。9/20 發布的 Step 5 Preview（StepFun）在價格帶上比這張卡的每一個都便宜（$1.00／$2.70、綜合智力 44），預告 10/15 釋出權重，但目前只有 AA 一張榜，等兌現再談，先不進名單。

最佳開源可自部署

1 GLM-5.3（智譜）開源AA 45 · DeepSWE 69.0% · 753B

2 MiMo-V2.6-Pro（小米）開源AA 46 · 1.02T／42B 啟用 · MIT

3 Kimi K3（月之暗面）開源AA 44 · DeepSWE 68.5% · 2.8T

4 GLM-5.3-Flash（智譜）開源320B／18B 啟用 · MIT

5 DeepSeek V4.1-Flash開源552B／16B 啟用 · MIT

6 Muse Glimmer（Meta）開源AA 17 · 30B · Apache 2.0

想把資料留在自己環境、或長期壓低成本時看這欄。名單本期不動；上期多了一格，小米 9/21 以 MIT 釋出的 MiMo-V2.6-Pro 排進第二位。最上層仍是智譜 GLM-5.3（非 Flash）：權重 8/31 在 Hugging Face 釋出（zai-org/GLM-5.3），753B 總參數，與 GLM-5.2 同一底座、差在後訓練。授權不是 MIT，而是一份 MIT 式自訂條款，多出一條：年營收逾 100 億美元的「模型即服務」業者要先過 Z.AI 安全審查，其餘個人與企業自部署不受此限。拿它跟 Kimi K3 比：綜合智力 45 對 44（換尺後前後顛倒，但兩期都只差一分、在雜訊內）、長程 69.0% 對 68.5% 也在誤差內，但 753B 對 2.8T，同樣 4-bit 量化，記憶體需求約為 Kimi K3 的四分之一，這是把它排在最上層的理由。權重放出一週，獨立複測還沒跟上，ARC-AGI-2 也尚未送測，先當參考、不當定論。Kimi K3 第三：AA 44、ARC-AGI-2 60.4% 仍是已送測開放權重裡最高，但 2.8T 參數 4-bit 量化後約 1.4TB 高速記憶體，實務上是資料中心等級。GLM-5.3-Flash（320B／18B 啟用、MIT、長程 63.4%、每任務 $0.48、綜合智力 42）與上期換上的 DeepSeek V4.1-Flash（552B／16B 啟用、MIT、綜合智力本期 39）各守一個硬體階層；門檻最低的仍是 Meta Muse Glimmer，30B、Apache 2.0，4-bit 量化後一張 24GB 消費級顯卡就能跑，代價是綜合智力在 v4.3.2 只剩 17（本期讀值，上期寫 18），是本欄唯一掉到 20 以下的。上期這格寫 35、卡片說明寫 24，兩個都是舊版本的讀值，9/10 那期已一併更正。DeepSeek 這一格上期換成 V4.1-Flash：9/10 發布、9/14 起接手 deepseek-v4-pro 的 API 流量，綜合智力在 v4.3.2 尺度下是 39（v4.3 尺度下讀 40，換尺後微降），仍高過已退場的 V4-Pro，總參數從 1.6T 降到 552B、啟用參數從 49B 降到 16B，自部署的硬體門檻因此低了一個量級，同樣是 MIT，脈絡 100 萬 token、原生看得懂圖。它目前還沒有長程 agentic、純編碼與 ARC-AGI-2 的成績，本欄先以參數量與綜合智力列入、跑分待補。新進第二位的 MiMo-V2.6-Pro 是 1.02T 總參數、42B 啟用的 MoE，權重在 Hugging Face（XiaomiMiMo/MiMo-V2.6-Pro-RL）以 MIT 釋出，AA 46 是目前開放權重裡最高，API 每百萬 token $0.435／$0.87；它與 GLM-5.3 的 45 在打平帶內，排在第二是因為 1.02T 的記憶體需求高於 GLM-5.3 的 753B，而且長程 agentic、SWE-bench Verified 與 ARC-AGI-2 三張都還沒有它，屬參考、非定論。GPT-6 Astra 與 Muse Spark 1.3 都不釋出權重，不在此欄。自部署的好處這期特別明顯：廠商把舊 API 名稱換掉、把舊模型下架，甚至評測榜上同一個名字換了模型，自己跑的那份權重都不會跟著被換掉。名單外有兩個待兌現的：StepFun 9/20 發布的 Step 5 Preview（6000 億總參數、270 億啟用、綜合智力 44）官方預告 10/15 釋出權重，Qwen3.8-Max 的權重庫則是從 9/1 講到現在都還沒出現。這一欄只收已經放出權重的，兩者都等兌現再談。

評測沒說完的事

同一個模型，換一份榜、換一種任務，表現可能差很多。這裡記下幾個分數之外值得知道的落差。

Claude Opus 5.5（Anthropic 9/22）Anthropic 9/22 發布，每百萬 token $4／$20（batch $2／$10），脈絡 100 萬 token，比 Opus 5 的 $5／$25 便宜兩成。AA 綜合智力 max 設定 58、xhigh 設定 56，跑完整套指數的成本 $5.98，介於 Astra 的 $3.26 與 Fable 5.1 的 $7.63 之間；這是 v4.3.2 以來第一次有模型超出前段的打平帶，領先幅度五分。廠商另外自報 Terminal-Bench 4.0 66.4%，但那是自家 harness 的跑法，本頁不拿來排名，也別跟 Astra 的 57.9% 直接比。9/28 查到它已送測 ARC-AGI-2：High 設定 93.3%、每任務 $0.41，在本頁追蹤的模型裡僅次於 GPT-6 Astra 的 95.0%；XHigh 92.5%（$0.67）、Max 反而降到 91.7%（$1.85），開到最高檔沒有換到更高分；ARC-AGI-1 High 98.5%。長程 agentic 與 SWE-bench Verified 兩張編碼榜仍沒有它，本頁仍只把它放進綜合智力卡；下期若補上這兩張，日常工作與預算不限兩格最可能要重看。先當參考、不當定論。

Step 5 Preview（StepFun 9/20）6000 億總參數、270 億啟用的稀疏 MoE，脈絡 100 萬 token、原生看得懂圖，API 與發布同日開放，每百萬 token $1.00／$2.70。AA 綜合智力 44（43.7），與 Grok 4.6 的 44、Kimi K3 的 44 同在打平帶內，但單價是 Grok 4.6（$2／$6）的一半以下、是 Kimi K3（$3／$15）的三分之一到五分之一，在這個分數帶上是目前最便宜的位置。官方另外預告 10/15 釋出權重，若兌現，開源那一欄的最上層會需要重看：現在守在那裡的 GLM-5.3 是 753B 總參數、綜合智力 45，Step 5 Preview 用 600B 拿 44。本期不給它任何名額，理由是能查到的只有 AA 這一張榜：長程 agentic、純編碼、ARC-AGI-2 三張都還沒有它，權重也還沒出來，而「預告釋出權重」在本頁已經有過沒兌現的前例（Qwen3.8-Max 從 9/1 講到現在）。先當參考、不當定論。

AA 綜合智力指數九月第三度換版（這次換的是計分方法）Artificial Analysis 九月內出了 v4.3、v4.3.1、v4.3.2 三個版本，本頁上期用 v4.3、本期換成 v4.3.2。與上期不同的是，這次動的不是題目而是計分方法：v4.3.1 把 AA-Briefcase 與 GDPval-AA v2 成對評比的裁判團換成現役模型（Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash），評分規準的評審團不變；v4.3.2 再把 GDPval-AA 升到 v2.1，Elo 尺規的錨點從原本的人類專家改成 DeepSeek V4.1-Flash（max 檔位）等於 1600、評分改用 Crowd-BT 模型擬合，AA-Briefcase 同步升到 v1.1，錨點仍是 GPT-5.5（medium）等於 1000、擬合方式一併改掉。十項評測的組成與權重沒有增減，所以分數幾乎不動：前段五名的名次與四捨五入後的整數都與上期相同。這兩件事各自值得記一筆。裁判團換成現役模型，意味著被評的模型與評分的模型是同一批，前段模型之間的相對位置從此帶有一點循環的成分。Elo 錨點改成一個會被下架、會被改價、甚至會被別的模型接手 API 名稱的商用模型，則是把尺規綁在一個活動的參照點上，跨版比較差值因此更不可行，只能比名次。引用 AA 分數時帶上版本號，這期尤其必要：一個月內四個版本號，而且其中兩個版本號的分數看起來幾乎一樣。

Claude Sonnet 5.5：單價相同，每題花費不同Sonnet 5.5 每百萬 token $2／$10，與 Sonnet 5 同價，AA 綜合智力從 38 跳到 56。但 AA 同時記下它在指數上每題平均輸出約 19.3 萬 token，約為 GPT-6 Astra 的七倍、比 Opus 5.5 多約六成，每題平均成本 $7.60，比 Sonnet 5 高約五成。同週發布、同樣 $2／$10 的 GPT-6.1 Sol 每題只要 $0.72。單價只說明每個 token 多少錢，模型想得多長才決定實際付多少；比較成本時看每題或每任務的花費，比看價目表準。另外兩組 Terminal-Bench 數字不能混用：AA 用標準化跑法量到 64%，廠商自報的 70.6% 跑在自家 harness 上；OSWorld 2.1 的 80.1% 也是自報，目前沒有獨立複測。

每任務成本的比較有保存期限長程榜前三名打平但成本三檔：Astra 每任務 $4.43、Gemini 3.8 Flash $2.36、Opus 5 $11.84；Astra 自己五個檔位從 $1.60（low、67.0%）到 $7.50（max、73.2%），max 比 xhigh 貴約七成卻沒有比較高分。Astra 這五筆是 9/22 版資料檔依現行定價重算的，降幅約三成、max 近四成，分數沒動；資料檔只寫了計算基準、沒說重算原因，同一張榜上其他模型的成本也沒有跟著重算。同分區間的 Sol（$8.4）、Terra（$5.0）、Grok 4.6（$3.45）、Luna（$3.0）都便宜得多；最低的 DeepSeek V4-Flash 用每任務 $0.10 拿 53.3%，跟每任務 $26.4 的 Sonnet 5（53.8%）在誤差內打平。但這些數字都是各設定跑當時的價目算的：OpenAI 7/30 把 Luna 調降八成、Terra 調降兩成（實際更便宜），DeepSeek 8/16 起改成尖峰離峰計價、尖峰輸出漲到每百萬 token $3.96（實際更貴）；9/14 起更進一步，deepseek-v4-pro 與 deepseek-v4-flash 這兩個名稱已被導向 9/10 發布的 V4.1-Flash，榜上那兩筆的分數與成本都還在，今天打同一個 API 名稱拿到的卻是另一個模型。評測榜的成本欄比分數欄老得快，有時候老掉的不只是價格、是模型本身，引用前先看一眼日期。

Claude Sonnet 5單價是 Claude 系最便宜（每百萬 token $2），但長程榜開到最高分設定時，每任務 $26.4 反而全場最貴：榜的數據顯示它平均要走 268 步、吃掉七千多萬輸入 token 才解 53.8%（Fable 5 同題只要約 68 步）。每 token 便宜不等於每任務便宜，長程任務尤其如此。

推薦異動紀錄

首選換人時，這裡會留下日期與原因，方便回頭看判斷怎麼變的。最新在最上面。

2026-10-01本期沒有任何情境首選換人，同日補記這一筆的理由是 (c) 關鍵事實更正：今天稍早那一筆說本期有兩個新面孔，漏了 Google 9/30 發布的 Gemini 4 Argon。它在 AA 讀 53，與 GPT-6 Astra 並列，促銷期每百萬 token $2／$10、之後 $4／$20，AA 指數每題成本 $1.99；但目前只開放給 Google Fairwind 計畫的資安防禦夥伴，一般開發者還用不到，因此不放進任何卡片，只補進導言、綜合智力卡說明、注意事項與 ARC-AGI-2 未送測名單。Google 自報的 DeepSWE v1.1 77.9% 不在 9/22 版公開資料檔裡，本頁不採計。

2026-10-01本期沒有任何情境首選換人，新增這一筆的理由是 (b) 卡片名單有增刪。Anthropic 9/28 發布的 Claude Sonnet 5.5（AA 56、$2／$10、指數每題平均成本 $7.60）放進綜合智力卡第二格；OpenAI 9/29 發布的 GPT-6.1 Sol（AA 52、$2／$10、每題 $0.72）取代 GPT-6 Sol，放進綜合智力卡第五格（接替 Muse Spark 1.3）與性價比（閉源）卡第二格，Muse Spark 1.3 在後者退到第三。兩者都只有 AA 一張第三方榜，長程 agentic、SWE-bench Verified 與 ARC-AGI-2 都還沒有它們，程式開發一格仍是 Sonnet 5。ARC-AGI-2 未送測名單加入 Sonnet 5.5，GPT-6 Sol 換成 GPT-6.1 Sol。DeepSWE 仍是 9/22 版、SWE-bench Verified 無新版，ARC-AGI-2 沿用 9/28 讀值。

2026-09-28本期沒有任何情境首選換人，新增這一筆的理由是 (a) 一手資料有新版：ARC-AGI-2 的一手 JSON 端點仍是 404，但 ARC Prize 各模型成績頁本期可讀，查到三個新送測。Claude Opus 5.5（9/22 發布）High 93.3%、每任務 $0.41（XHigh 92.5%、Max 91.7%、Medium 87.5%，ARC-AGI-1 High 98.5%），在本頁追蹤的模型裡僅次於 GPT-6 Astra 的 95.0%；Gemini 3.8 Flash High 89.2%、每任務 $0.40；GPT-6 Luna（9/22 發布）Max 59.3%、每任務 $0.06。Opus 5.5 與 Gemini 3.8 Flash 從未送測名單移除，名單首位改為 MiMo-V2.6-Pro；三筆新成績都還沒畫進圖，待人工補入。Opus 5.5 的敘述從「只有 AA 一張第三方榜」改為兩張，但兩張編碼榜仍沒有它，日常工作、複雜推理（93.3% 低於 Astra 的 95.0%）與預算不限三格都不換。DeepSWE 仍是 9/22 版、SWE-bench Verified 無新版，AA 綜合智力沿用 9/24 的 v4.3.2 讀值；9/24 之後沒有查到新的主要模型發布。

2026-09-24本期沒有任何情境首選換人，新增這一筆的理由是 (a)(b)(c) 三項都成立。(a) DeepSWE 資料檔出了 9/22 版：各模型分數與信賴區間逐筆比對都沒動，只有 GPT-6 Astra 五個檔位的每任務成本依現行定價（每百萬 token 未快取輸入 $10、快取寫入 $12.50、快取讀取 $1、輸出 $50）重算，xhigh $6.52→$4.43、high $5.72→$3.92、max $12.37→$7.50、medium $4.38→$3.08、low $2.19→$1.60，資料檔沒寫重算原因；本頁長程 agentic、跑量、性價比（閉源）三張卡與觀察區引用的 Astra 成本整批換成新值，Gemini 3.8 Flash 對 Astra 的成本差從三分之一改寫成約一半。(b) 兩張卡的名單有增減：綜合智力卡第一格加入 9/22 發布的 Claude Opus 5.5（AA 58），Opus 5 讓出名額；開源卡第二位加入小米 9/21 以 MIT 釋出的 MiMo-V2.6-Pro（1.02T／42B 啟用、AA 46），其餘順延。兩者都只有 AA 一張第三方榜，列為參考、非定論；Opus 5.5 自報的 Terminal-Bench 4.0 66.4% 是自家 harness，不與標準化跑法同尺。(c) 讀值更正：Muse Glimmer 從 18 更正為 17。另記兩個新讀值但不給名額：Grok 4.7（9/21，AA 46、$2／$6）、GPT-6 Sol（9/22，AA 48、$2／$10），同日發布的 GPT-6 Luna 在 AA 尚無讀值。v4.3.2 表上本期沒有列出的 Opus 5、Fable 5、GPT-5.6 Sol 與 GPT-5.6 Luna 沿用上期讀值。SWE-bench Verified 無新版，ARC-AGI-2 一手 JSON 仍是 404、沿用 9/4 讀值。

2026-09-21本期沒有任何卡片換人，新增這一筆的理由是 (a) 一手資料檔出新版與 (c) 關鍵數字可查證修正。(a) Artificial Analysis 綜合智力指數在九月內連出三版，本頁上期用的 v4.3 已被 v4.3.1、v4.3.2 取代，本期整批換成 v4.3.2 讀值。與 9/10 那次不同，這次改的不是題目而是計分方法：v4.3.1 把 AA-Briefcase 與 GDPval-AA v2 成對評比的裁判團換成現役模型（Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash）；v4.3.2 把 GDPval-AA 升到 v2.1、Elo 錨點改為 DeepSeek V4.1-Flash（max）等於 1600、改用 Crowd-BT 擬合，AA-Briefcase 同步升到 v1.1（錨點仍是 GPT-5.5 medium 等於 1000）。十項評測的組成與權重未動，分數幾乎不變，前段名次與四捨五入後的整數與上期相同，因此沒有任何一格換人。(c) 兩處數字修正：Qwen3.8-Max 從 40 變 45，但這是榜上同一個名字換了模型（現在指的是 9/1 的 0902 快照 45.4，原本那筆已標停用 40.2），不是同一個模型變強，因此高效／低延遲與性價比（閉源）兩張卡上期寫的「Grok 4.6 比同價位的 Qwen3.8-Max 高四分」已改寫成打平、Grok 4.6 因為另有長程 agentic 成績而續留；DeepSeek V4.1-Flash 從 40 修正為 39（39.456），開源那一欄不因此換人。另新增一個觀察對象：StepFun 9/20 發布的 Step 5 Preview（6000 億總參數、270 億啟用、綜合智力 44、$1.00／$2.70、預告 10/15 釋出權重），只有 AA 一張榜有它，本期列入觀察與注意事項、不給名額。三張一手資料檔（DeepSWE、ARC-AGI-2、注入攻擊）連續第三期都沒有新版，圖表與相關數字整批維持上期。

2026-09-16本期的實質變動來自 DeepSeek 換代，觸發兩項：(b) 卡片名單有增刪，(c) 關鍵數字可查證修正。(b)「最佳開源可自部署」欄把 DeepSeek V4-Pro 換成 9/10 發布的 V4.1-Flash：綜合智力在 v4.3 尺度下 40、高過 V4-Pro 的 36，總參數從 1.6T 降到 552B、啟用參數從 49B 降到 16B，同樣是 MIT 授權、脈絡 100 萬 token，自部署的硬體門檻低一個量級。(c) 定價與路由改制：V4.1-Flash 尖峰每百萬 token $0.30／$1.20、離峰 $0.15／$0.60；9/14 04:00 UTC 起 deepseek-v4-pro 的請求改由 V4.1-Flash 以 Flash 價服務，deepseek-v4-flash 與 deepseek-v4-flash-vision-exp 兩個名稱也一併導向它，長程 agentic 榜上那兩筆（每任務 $0.24 與 $0.10）的 API 名稱因此已經指向別的模型，卡片說明、觀察區與散點圖說明各補一句。四張榜本期都沒有新版：AA 仍是 v4.3、DeepSWE 一手檔仍是 9/3 版（generated_at 逐字元相同）、SWE-bench Verified 無新版、ARC-AGI-2 的一手 JSON 端點仍是 404，沿用 9/4 讀值。圖表資料與五個情境的首選全部不動。V4.1-Flash 目前還沒有長程 agentic、純編碼與 ARC-AGI-2 的成績，已加進 ARC 未送測名單與新面孔提醒。

怎麼閱讀這份資料

這份清單不是窮舉：只涵蓋我們持續追蹤的一組主要模型，新發布或較冷門的可能還沒收進來（Grok 4.5 就一度漏列）。沒列到不代表不值得選；遇到別的模型，建議自己再抓一次最新比對。
不同榜量的東西不一樣：SWE-bench 量可驗證的修 bug 正確率，Arena 盲測量人類看了喜不喜歡。同一個 Arena 底下還分 WebDev 綜合、前端、全端幾張子榜，名次不一定一致，本頁引用的 1691／1674 是 WebDev 綜合榜，而 Kimi K3 在前端子榜是第一、在綜合榜是第二。先確認榜量的是不是你的用途，也確認你看的是哪一張子榜，別把單一名次當定論。
分數差常在雜訊裡：頂端幾名的差距多半小於誤差區間，等於打平。SWE-bench Verified 前幾名已擠在 1 個百分點內、接近飽和。別把「高 1~2%」當「比較強」，差別通常在成本。
新面孔的數據還不齊：10/7 的 Claude Haiku 5.5（AA 43，最高推理檔位）只有綜合智力一張第三方榜，廠商自報的 agentic 成績跑在自家 harness 上，本頁不採計；10/6 的 Mistral Large 4 Preview（AA 38、每百萬 token $1.36／$4.18，AA 標為閉源）同樣只有這一張，不給名額。9/28 的 Claude Sonnet 5.5（AA 56）、9/29 的 GPT-6.1 Sol（AA 52）與 9/30 的 Gemini 4 Argon（AA 53）目前都只有綜合智力一張第三方榜。Sonnet 5.5 自報的 Terminal-Bench 4.0 70.6% 與 OSWorld 2.1 80.1% 跑在自家 harness 上，AA 標準化跑法量到的 Terminal-Bench 4.0 是 64%；GPT-6.1 Sol 自報的 DeepSWE 成績不在公開資料檔裡。Gemini 4 Argon 自報 DeepSWE v1.1 77.9%，高於長程榜首 Astra 的 74.1%，但 9/22 版公開資料檔裡沒有它，本頁不採計；它目前只開放給 Google Fairwind 計畫的資安防禦夥伴。9/21 到 9/22 那批裡，Claude Opus 5.5（AA 58）有 ARC-AGI-2（High 93.3%），兩張編碼榜仍沒有它；Grok 4.7（9/21，46）、MiMo-V2.6-Pro（9/21，46）仍只有綜合智力一張，GPT-6 Luna 則只有 ARC-AGI-2（Max 59.3%）一張；Opus 5.5 自報的 Terminal-Bench 4.0 66.4% 同樣是自家 harness。本頁把 Opus 5.5、Sonnet 5.5 與 GPT-6.1 Sol 放進綜合智力卡、GPT-6.1 Sol 放進性價比卡、MiMo-V2.6-Pro 放進開源卡，都屬參考、非定論。9/20 發布的 Step 5 Preview（StepFun）同樣只有綜合智力（44），權重也還沒放出來，不給名額。GPT-6 Astra（9/3）有長程 agentic（74.1%、±2.9）、ARC-AGI-2（95.0%）與綜合智力（53）三張榜，但 SWE-bench Verified 還沒有它，純編碼那一格無從對照；它的 ARC-AGI-3 在標準 harness 與廠商 adapter 下相差 37 個百分點，引用前先確認是哪一套。Meta Muse Spark 1.3（9/2）目前只有綜合智力一張榜（48），DeepSWE 與 ARC-AGI-2 都還沒有。Gemini 3.8 Flash（9/2）本期補上 ARC-AGI-2（High 89.2%、每任務 $0.40），加上長程 agentic（73.8%、±1.4）與綜合智力（41），SWE-bench Verified 仍沒有它。Claude Fable 5.1（9/1）有綜合智力（53）與 ARC-AGI-2（90.0%），兩張編碼榜都還沒有它。DeepSeek V4.1-Flash（9/10）目前只有綜合智力一張榜（本期 39），長程 agentic、SWE-bench Verified 與 ARC-AGI-2 三張都還沒有它，開源那一欄是以參數量與綜合智力列入。換代後的 Qwen3.8-Max 0902（9/1）同樣只有綜合智力一張榜（45），廠商自己貼的編碼數字跑在自家 harness 上、與本頁引用的標準化跑法不可比。智譜 GLM-5.3 權重 8/31 才釋出、獨立複測還沒跟上，ARC-AGI-2 也尚未送測；GLM-5.3-Flash 仍只有長程一筆（63.4%、±4.4）。另外，Astra、Fable 5.1、Opus 5.5、Gemini 3.8 Flash 與 GPT-6 Luna 的 ARC-AGI-2 成績，以及長程榜上 Gemini 3.7 Flash 與 DeepSeek V4-Pro 的點，都還沒畫進下方圖。以上幾款都要在大規模跑量或押注授權條件前，自己先小批試過。

不確定哪個模型適合你？

這張表提供的是一般性比較。實際選擇還要看你的任務、預算、使用頻率，以及能否接受出錯。複製下面的問題，貼到你慣用的 AI，讓它依你的情境進一步比較。

已複製，貼到你慣用的 AI 即可 ✓