这不是模型排行榜，而是一张选择地图。按照写作、研究、代码开发与日常任务，整理目前能力最强、以及价格最合理的模型。模型和价格持续变动，这里保留的是最近一次完成校核的快照。
这份数据适合用来缩小选择，不适合取代你自己的任务测试。
每个模型在 DeepSWE（长程 agentic 编码）的正确率，对上它每个任务的平均成本。注意 X 轴与一般习惯相反：越靠右越便宜、越靠上越准，所以右上角＝又准又省。完整的作图说明在图的下方。
怎么读这张图：主力六个模型（sol／terra／luna／fable-5／opus 4.8／sonnet 5）各画一条「effort 曲线」，把同一个模型从 low 到 max 五档设置的成本与分数连成线；模型名标在它最高分的那一点。曲线越平，代表调低 effort 省钱时、分数掉得越少。其余七个模型只画最高分的那一点，当背景参照。金线＝效率前沿：图上找不到任何一点能同时「更准又更省」的那些设置点连成的线；滑过任何一点，可看该设置的分数、±95% 置信区间与每任务成本。
来源 · ，；数字直接取自排行榜网站的公开数据文件，成本＝每任务平均（美元）。这是单一评测（长程 agentic 编码）的切面：纯写代码、日常对话的排名会不一样。想看其他画法：DeepSWE 官方交互版（每个模型的全部档位都上图，X 轴可切成本／输出 token／agent 步数三种），或 Artificial Analysis（「综合智能 vs 价格」的另一种散点画法）。
| 模型 | 厂商 | Effort | DeepSWE 分数 | 每任务成本 | 效率前沿 |
|---|
ARC-AGI-2 用一批模型没看过的抽象图形推理题，测试「泛化能力」：模型能不能在完全陌生的规则上现场推理，而不是靠训练数据里背过的相似题型作答。分数愈高，代表愈能处理真正没见过的问题；这跟上面编程开发榜衡量的是不同能力。
先说明： 目前没有官方送测 ARC-AGI-2 的成绩。送测是厂商自愿提交，不是我们从候选名单里挑的；下方数据表列出的 11 个模型，是目前所有查得到官方公开成绩的送测结果。
来源 · ARC Prize（arcprize.org/leaderboard），查证于 ；成本为官方送测时填报的每任务金额，基准与上方 DeepSWE 图不同、仅供同类比较，不可直接相加。
这张榜的模型清单跟上面不完全一样：ARC-AGI-2 送测由厂商自愿提交，不是我们挑选的结果。截至查证时， 都还没有官方送测成绩，所以不在这张表上；不代表它们泛化能力差，只是还没有这份榜单可比的数据。模型代号以 ARC Prize 官方送测名称为准，可能跟上方编程开发榜的代号指涉不同世代。
| 模型 | 厂商 | Effort | ARC-AGI-1 | ARC-AGI-2 | 每任务成本 |
|---|
这是排这张表的顺序，不是硬规则。想更贴合你的情境，可用文末的提问工具让 AI 按你的任务再比一次。
表中「成本」为 API 用量成本，非聊天订阅月费。DeepSWE 类为每个任务的成本，SWE-bench 类为每百万 token 的价格，两者基准不同、仅供同类比较。
编码榜大致分两种读法：厂商用自家工具跑的（例如 Artificial Analysis 的 Coding Agent Index，各家用自己的 Claude Code／Codex／Grok Build）偏乐观、彼此可比性弱；标准化代理跑的（例如 DeepSWE，同一把尺、防污染）较公允但涵盖的模型少。看分数前，先确认它属哪一类。
这里列的是不同预算下最值得考虑的选择，也就是分析上说的「性价比前沿」。
同一个模型，换一份榜、换一种任务，表现可能差很多。这里记下几个分数之外值得知道的落差。
首选换人时，这里会留下日期与原因，方便回头看判断怎么变的。最新在最上面。
这张表提供的是一般性比较。实际选择还要看你的任务、预算、使用频率，以及能否接受出错。复制下面的问题，粘贴到你惯用的 AI，让它按你的情境进一步比较。