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。
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。
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。
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；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 · ，；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。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）。
| 模型 | 廠商 | Effort | DeepSWE 分數 | 每任務成本 | 效率前緣 |
|---|
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： 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 11 個模型，是目前所有查得到官方公開成績的送測結果。
來源 · ARC Prize（arcprize.org/leaderboard），查證於 ；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， 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。
| 模型 | 廠商 | Effort | ARC-AGI-1 | ARC-AGI-2 | 每任務成本 |
|---|
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。
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」。
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。
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。
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。