AI Frontier · Live Snapshot

模型前沿实时仪表板

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。

更新于 2026-10-12
每周一、周四自动刷新
snapshot 2026-W42

当前局势

本期新增一个面孔：Anthropic 10/7 发布的 Claude Haiku 5.5，每百万 token $0.10／$0.50（提示超过 100K token 时 $0.50／$2.50），单价比 gpt-5.6-luna 的 $0.20／$1.20 还低；AA 综合智能在最高推理档位拿到 43，默认的 medium 档位是 34。它跑完指数输出约 4.4 亿 token、属于冗长的一类，每题平均成本 $0.21，单价低的优势有一部分会被输出量吃掉。目前只有 AA 一张第三方榜，长程 agentic、SWE-bench Verified 与 ARC-AGI-2 都还没有它，本期不放进任何卡片，属参考、非定论。上一期记下的两个新面孔读值不变。Anthropic 9/28 发布的 Claude Sonnet 5.5 在 AA 综合智能拿到 56，仅次于 Opus 5.5 的 58，每百万 token $2／$10 与 Sonnet 5 同价；但它在指数上每题平均成本 $7.60，比 Sonnet 5 高约五成，便宜的是单价、不是每题花费。OpenAI 9/29 发布的 GPT-6.1 Sol 取代 GPT-6 Sol：AA 52，比 GPT-6 Astra 低一分，同样 $2／$10，每题平均成本 $0.72，约为 Sonnet 5.5 的十分之一。两者目前都只有 AA 一张第三方榜，长程 agentic、SWE-bench Verified 与 ARC-AGI-2 都还没有它们。本期只把它们放进综合智能卡与性价比卡，五个情境的首选都不换，代码开发一格仍是 Sonnet 5。另外，Google 9/30 发布的 Gemini 4 Argon 在 AA 读 53，与 GPT-6 Astra 并列、比 GPT-6.1 Sol 高一分，促销期每百万 token $2／$10（之后 $4／$20）；但它目前只开放给 Google Fairwind 计划的网络安全防御伙伴，一般开发者还用不到，本期只记读值、不放进任何卡片。其余没有新版：DeepSWE 一手数据文件仍是 9/22 版，SWE-bench Verified 无新版，ARC-AGI-2 沿用 9/28 读值。

先看这里 · 本期快速结论

日常工作Claude Opus 5定价 $5/$25 每百万 token 是 Fable 5.1 与 GPT-6 Astra（都是 $10/$50）的一半；AA 综合智能 51（本期 v4.3.2 表上没有列出它，沿用上期读值），SWE-bench Verified 96% 仍居首。同门 9/22 发布的 Opus 5.5 更便宜（$4/$20）、AA 高七分，本期补上了 ARC-AGI-2（High 93.3%、每任务 $0.41，高于 Opus 5 的 90.4%），但日常工作最看重的两张代码榜（SWE-bench Verified 与长程 agentic）仍没有它，本期先不换，它仍是下期最可能接手这一格的名字。

复杂推理Claude Fable 5.1 / GPT-6 AstraAA 指数本期多了新榜首：9/22 发布的 Claude Opus 5.5 以 58 高出 Fable 5.1 与 Astra（并列 53）五分，本期它也送测了 ARC-AGI-2：High 设置 93.3%、每任务 $0.41，低于 Astra 的 95.0%、高于 Fable 5.1 的 90.0%，两张推理相关的榜一张领先、一张居次，两张代码榜也还没有它，这一格先不换。Fable 5.1 与 Astra 的同分状态延续，两个名字一样难分。Astra 的 ARC-AGI-2 送测 95.0%（max 设置、每任务 $1.12）仍是那张榜的新高，高于 Sol 的 92.5%、Opus 5 的 90.4%、Fable 5.1 的 90.0%；DeepSWE 74.1% 与 Gemini 3.8 Flash、Opus 5 打平。两者定价都是 $10/$50 每百万 token，Astra 上下文 105 万 token、输出上限 128K，跑完整套 AA 指数的成本是 $3.26 对 Fable 5.1 的 $7.63。名字的先后本期不动：AA 榜上 Fable 5.1 仍以 53.4 对 52.7 排在前面，但这 0.7 分在打平带内、任选其一都说得过去；预算敏感时看便宜一半的 Opus 5，或单价更低、仍属参考的 Opus 5.5（$4/$20）。

代码开发Claude Sonnet 5SWE-bench Verified 85.2%，每百万 token $2，用零头价格拿到接近顶级的正确率。该榜本期没有新版本，也还没有 Astra 与 Fable 5.1 的成绩。长程 agentic 工作本期前三名（Astra 74.1%、Gemini 3.8 Flash 73.8%、Opus 5 73.6%）在置信区间内打平，选择由每任务成本决定，看下方散点图的分段。

大量处理／跑量GLM-5.3-Flash / gpt-5.6-lunaGLM-5.3-Flash 8/26 发布，每百万 token $0.15／$0.50（发布时的折半促销 9/9 到期，这组列表价从本期起才是实付价），长程 agentic 拿到 63.4%、每任务 $0.48：与 luna 的 67.2% 在误差区间内分不开，成本却只有六分之一，而且权重同日以 MIT 许可放出，量大到 API 不划算时可以自己架。luna 的 $0.20／$1.20 没有时段或到期条件，报价稳定度仍是这一格的第二选择。DeepSeek 本期换代：V4.1-Flash 9/10 发布，峰值每百万 token $0.30／$1.20、低谷 $0.15／$0.60，MIT 许可、552B 总参数 16B 激活、综合智能本期 39，但低谷输出 $0.60 仍高于 GLM-5.3-Flash 的 $0.50，峰值是它两倍以上，长程 agentic 也还没有成绩。更要留意的是 9/14 起 deepseek-v4-pro 与 deepseek-v4-flash 两个旧名称都被导向 V4.1-Flash，定时任务里还在打旧名称的要重新确认实际跑的是哪个模型。GPT-6 Astra 最低档 low 设置每任务 $1.60（67.0%，9/22 重算）、Gemini 3.8 Flash $2.36，都属于上一个价位带；Meta Muse Spark 1.3 的 Contributor 方案 $0.10／$0.20 看似同级，但条件是提示会被拿去训练，数据要留在自己手上的批量工作不适用。9/20 发布的 Step 5 Preview（StepFun）每百万 token $1.00／$2.70、综合智能 44，单价确实比 luna 贵、比 GLM-5.3-Flash 贵上数倍，长程 agentic 也还没有成绩，批量这一格目前排不上；它的意义在分数对单价的位置，写在下面的观察区。9/22 发布的 GPT-6 Luna 本期在 ARC-AGI-2 入榜（Max 59.3%、每任务 $0.06），但长程 agentic 还没有它的成绩，这一格暂不考虑。批量看的是每任务不到半美元那一段，因此这格不换人。

预算不限Claude Opus 5SWE-bench Verified 96% 仍居首，而且是三张榜都有成绩的唯一顶级模型：DeepSWE 73.6% 与 Astra 的 74.1%、Gemini 3.8 Flash 的 73.8% 在置信区间内打平，ARC-AGI-2 90.4%。GPT-6 Astra 在 ARC-AGI-2（95.0%）与 AA 综合智能（v4.3.2 是 53 对 51）都在它前面，但 SWE-bench Verified 还没有 Astra，纯代码那一张无从对照，这格先不换；下期若 Astra 补上那张榜再重看。9/22 发布的 Opus 5.5 单价更低（$4/$20）、AA 58 居首，本期 ARC-AGI-2 也补上 93.3%（高于 Opus 5 的 90.4%），但 SWE-bench Verified 与长程 agentic 两张代码榜仍没有它，等补上再一起重看。

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。

Cost · Capability 一张图看「差别在成本」

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。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）GLM（智谱）Kimi（月之暗面）效率前沿（全设置点）同一模型的 effort 曲线（低→高）

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；这一轮整条前沿都落在 GPT 家族（gpt-5.6-luna／gpt-5.6-terra／gpt-5.6-sol）的各设置点上。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 · DeepSWE v1.1（Datacurve），113 个任务，2026-09-22 更新；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。纯代码榜（SWE-bench Verified）本期没有新版本，仍由 Claude Opus 5 领先（96%），受限访问的 Mythos 5（95.5%）与 Fable 5（95%）紧接；Fable 5.1 与 9/3 预览的 GPT-6 Astra 在那张榜都还没有成绩。本图的数据文件本期仍是 9/22 版，与 9/3 版相比分数与置信区间逐笔都没动，改的只有 Astra 五个档位的每任务成本（依现行定价重算，降幅约三成、max 近四成）；9/21 到 10/7 进 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 与 Step 5 Preview 在这张榜上都还没有成绩；OpenAI 自报 GPT-6.1 Sol 在 DeepSWE 与 Astra 相当，但 9/22 版数据文件里没有它，本页不采计。Astra 的 xhigh 设置 74.1%（±2.9、9/22 版每任务 $4.43）成为长程 agentic 的第一，与 Gemini 3.8 Flash（73.8%、每任务 $2.36、±1.4）、Claude Opus 5（73.6%、每任务 $11.84、±3.9）三者依本页打平口径分不开，差别在成本。本图的点落后数据文件：数据文件有十五个模型尚未画进图，含 GPT-6 Astra（长程榜首）、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%、每任务 $0.48）、DeepSeek V4-Pro（62.8%、每任务 $0.24）、Qwen3.8-Max（57.5%）、Muse Spark 1.2（54.9%）、Grok 4.5（53.8%）、DeepSeek V4-Flash-0731（53.3%、每任务 $0.10 是全场最低）等，这些点待人工补入，因此图上画出的效率曲线既不含前三名、也不含最便宜的那笔。价格也有时差、而且两个方向都有：OpenAI 7/30 的降价未重算，Luna 与 Terra 在图上比实际贵；DeepSeek 8/16 改成峰值低谷计价，图上那几笔一毛多的成本在峰值时段明显偏低，而且 9/14 起 deepseek-v4-pro 与 deepseek-v4-flash 两个名称都被导向 9/10 发布的 V4.1-Flash，图上那两点是当时那两个模型的历史位置。本页引用的 Arena 人类盲测 WebDev 综合榜分数维持上期：Claude Opus 5 第一（1691）、Kimi K3 第二（1674），同站 Frontend 子榜则是 Kimi K3 第一（1679）。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）。

看数据表（13 个模型）

模型	厂商	Effort	DeepSWE 分数	每任务成本	效率前沿
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	默认	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 一张图看「泛化能力」

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：Claude Haiku 5.5 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 14 个模型，是目前查得到官方公开成绩的送测结果。

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

来源 · ARC Prize（arcprize.org/leaderboard），查证于 2026-09-28；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，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。

看数据表（14 个模型）

模型	厂商	Effort	ARC-AGI-1	ARC-AGI-2	每任务成本
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 一图看「抗提示注入」

间接提示注入（indirect prompt injection）是 agent 最大的安全弱点：攻击者把恶意指令藏在模型读取的数据里（网页、工具输出、代码），诱导 agent 做出未授权的动作。这张图看的是「攻击在 k 次尝试内成功的概率」，越低越稳。这是安全维度，跟上面的能力与成本是不同的轴。

先说明：这批数字是 Anthropic 自评、不是第三方榜结果。攻击题库用的是独立安全公司 Gray Swan 的公开间接注入攻击集（28 情境、1,130 条高转移攻击）；由 Anthropic 在 Opus 5 发布时，对各模型统一设置跑出（Claude 不加额外防御、所有模型开扩展思考）。其他厂尚未公布同一攻击集的自评，故跨厂比较仅供参考、不宜当定论。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）Muse（Meta）Grok（xAI）色带深→浅：k=1／k=10／k=15

来源 · Gray Swan 间接提示注入攻击集（grayswan.ai），数字为 Anthropic 自评、报告于 2026-07-24；色带由深到浅为 k=1／k=10／k=15（越少次就攻破＝越不稳）。此为安全轴，不与上方能力与成本榜相加。

看数据表（14 个模型）

模型	厂商	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%

这些首选是怎么排出来的

先看分差是否在误差内：顶端几名多半打平，这时分数高一两个百分点不算「比较强」。
打平就比成本：同一能力带，挑每任务或每百万 token 更便宜的那个。
再对齐任务形态：纯写代码、长程 agentic、日常对话量的能力不同，先确认榜量的是不是你的用途。
把数据主权算进成本：需要数据留在自己机器时，开源可自部署的价值不只在便宜。

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。

By Use-Case 按用途选模型

综合智能（通用）

1 Claude Opus 5.5AA 指数 58 · $4／$20

2 Claude Sonnet 5.5AA 指数 56 · $2／$10

3 Claude Fable 5.1AA 指数 53

4 GPT-6 Astra（OpenAI）AA 指数 53

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

AA 综合智能本期多了两个新名字。Anthropic 9/28 发布的 Claude Sonnet 5.5 以 56 排第二，比 Sonnet 5 的 38 高 18 分，只落后 Opus 5.5（58）两分；但它在指数上每题平均输出约 19.3 万 token，约为 GPT-6 Astra 的七倍，每题平均成本 $7.60。OpenAI 9/29 发布的 GPT-6.1 Sol 取代 GPT-6 Sol（48），读 52，比并列 53 的 Fable 5.1 与 Astra 低一分，每题平均成本 $0.72。两者目前都只有 AA 这一张第三方榜，放进这张卡是照排序规则，属参考、非定论。第五格看分数与价格的组合，本期由 GPT-6.1 Sol 接替 Muse Spark 1.3（48、$1.25／$4.25）：同样每百万 token $2／$10 的 Sonnet 5.5 分数高四分，但每题成本约为 Sol 的十倍，论划算是 Sol。其余读值沿用 9/24 的 v4.3.2：Opus 5.5 58，Fable 5.1 与 Astra 并列 53，Muse Spark 1.3 48，Grok 4.7 与 MiMo-V2.6-Pro 46，Qwen3.8-Max（0902）与 GLM-5.3 45，Grok 4.6、Step 5 Preview 与 Kimi K3 44，GPT-5.6 Terra 与 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）与 GPT-5.6 Luna（37）沿用更早读值。前段一两分的差距仍该当打平读：Sonnet 5.5 对 Opus 5.5、Sol 对 Fable 5.1 与 Astra 都是如此。AA 一个月内出了好几个版本号，转载站常把旧尺度的数字标上新版本号，引用前先确认版本。Google 9/30 发布的 Gemini 4 Argon 读 53，与 Fable 5.1、Astra 并列，AA 测到的幻觉率 15%，是 45 分以上模型里最低的；但它目前只开放给受邀的网络安全防御伙伴，一般开发者还用不到，本期不放进这张卡。

来源 · Artificial Analysis Intelligence Index v4.3.2（9/24 读值；Sonnet 5.5、GPT-6.1 Sol 与 Gemini 4 Argon 为 10/1 读值）

纯编码能力（SWE-bench Verified）

1 Claude Opus 596%

2 Claude Fable 595%

3 Claude Sonnet 5划算85.2% · $2/M

这张榜本期没有新版本，数值与上期相同，也还没有 GPT-6 Astra、Fable 5.1、Gemini 3.8 Flash 的成绩。OpenAI 这次没有自报 SWE-bench Verified，只报了 Terminal-Bench 4.0 的 57.9% 与 OSWorld 2.0 的 72.6%，都是厂商自家 harness 的数字。榜首仍是 Opus 5（96%）；限制访问的 Mythos 5（95.5%）不对外开放，接着是 Fable 5（95%），一般用户实际能用到的上限就是 Opus 5。前几名挤在 1 个百分点内，这张榜对前沿模型已接近饱和。这张卡另外留一个值得警惕的例子：DeepSeek V4-Pro 在本卡出处是 80.6%、排第 11；但另一家独立评测站用自家 harness 跑同一个 SWE-bench Verified，得到 96.4%、排第 2。同一个基准名，两把尺差 16 分。另有一点：V4-Pro 这个 API 名称 9/14 起已被导向 DeepSeek V4.1-Flash，这一笔往后只能当历史读。跨站比分数前先确认是不是同一把尺；本卡只用标明的出处。

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

长程 agentic 编码（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（智谱）69.0% · $3.99

5 GLM-5.3-Flash（智谱）开源63.4% · $0.48

一手数据文件本期仍是 9/22 版（113 题）；9/22 版与 9/3 版相比，逐笔比对后各模型的分数与置信区间都与 9/3 版相同，改的只有 GPT-6 Astra 五个档位的每任务成本：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，降幅约三成、max 近四成。数据文件写明的计算基准是现行定价（每百万 token 未缓存输入 $10、缓存写入 $12.50、缓存读取 $1、输出 $50），没有写重算的原因。Astra 仍以 xhigh 74.1%（±2.9、平均约 29 步）排第一，与 Gemini 3.8 Flash 的 73.8%（±1.4）、Claude Opus 5 的 73.6%（±3.9）依本页的打平口径三者分不开，拉开三者的仍是成本：每任务 $4.43 对 $2.36 对 $11.84。Gemini 3.8 Flash 仍是打平带里最便宜的，但它对 Astra 的成本差从上期的三分之一缩成约一半。Astra 的 max 档位 ±0.8 仍是全榜最窄的置信区间，分数没有比 xhigh 高，重算后成本比 xhigh 高约七成。Fable 5.1 仍未列，9/21 到 9/22 进 AA 榜的四个新面孔（Opus 5.5、GPT-6 Sol、Grok 4.7、MiMo-V2.6-Pro）、同期的 GPT-6 Luna 与 Step 5 Preview 在这张榜上都还没有成绩。打平带往下：GPT-5.6 Sol（72.7%、$8.4）、Fable 5（69.9%）、GLM-5.3（69.0%、$3.99）与前三名也分不开；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）两两也分不开。除了 Astra 这五笔，其余每任务成本仍是各设置跑榜当时的价格：OpenAI 7/30 降价未重算，Terra 与 Luna 实际更便宜；DeepSeek 8/16 改成峰值低谷计价，V4-Pro 的 $0.24 与 V4-Flash 的 $0.10 在峰值时段会高于这里的数字；9/14 起这两个 API 名称更已被导向 9/10 发布的 V4.1-Flash，榜上这两笔要当成当时那两个模型的历史成绩读，不是今天打同一个名称会拿到的东西。GLM-5.3 权重已放出，榜上 69.0% 那笔是可自部署的成绩，厂商 README 自报的 66.9% 出自另一套 harness，别直接互比。

来源 · DeepSWE v1.1（Datacurve，9/22 版）

高效／低延迟（便宜快速）

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

2 GLM-5.3-Flash（智谱）开源63.4% · $0.48/任务

3 Grok 4.6（xAI）划算AA 44 · $2／$6 每 M

4 gpt-5.6-luna划算67.2% · $3.0

批量、并行 agent 时的主力：够好又便宜。这一栏本期名单不动。10/7 发布的 Claude Haiku 5.5 每百万 token $0.10／$0.50、AA 43（最高推理档位），单价比 gpt-5.6-luna 更低，但还没有长程 agentic 成绩，比照 Step 5 Preview 的处理先不给名额。Gemini 3.8 Flash 仍居首：长程 agentic 73.8%、每任务 $2.36，与长程榜首 GPT-6 Astra 的 74.1%（9/22 重算后每任务 $4.43）在置信区间内打平、成本约为一半；定价每百万 token $0.75／$3.75 明写到 2026-12-31，之后翻倍成 $1.50／$7.50；综合智能本期换到 v4.3.2 后 41，比同门 3.7 Flash 的 39 高两分。GLM-5.3-Flash 守成本那一头：长程 63.4%、每任务 $0.48，是这张卡里唯一每任务不到 $0.5 又留在打平带内的；320B 总参数、18B 激活，权重以 MIT 放出；发布时的折半促销（$0.075／$0.25）9/9 到期，$0.15／$0.50 的列表价从本期起才是实付价。Grok 4.6 以 $2／$6 拿综合智能 44；同价的 Grok 4.7（9/21）拿 46，但还没有长程 agentic 成绩，本期不换。上期这里写它「单价与 Qwen3.8-Max（40）同级、分数高四分」，本期这句不成立了：AA 榜上 Qwen3.8-Max 现在指的是 9/1 的 0902 快照，同样 $2／$6 拿 45，两者已在打平带内，旧的那笔 40 属于另一个已停用的模型。gpt-5.6-luna 的 $0.20／$1.20 是这里唯一没有期限、没有时段条件的价格，长程最高设置 67.2%。有两个没有进名单：Astra 的 low 档位 67.0%、9/22 重算后每任务 $1.60，已低于 Gemini 3.8 Flash 的 $2.36，但单价 $10／$50 每百万 token 没有便宜的版本，吞吐一大输出价就压过每任务数字；Meta Muse Spark 1.3 标准价 $1.25／$4.25、综合智能 48，Contributor 方案 $0.10／$0.20 的条件是提示会被拿去训练，这张卡不把它算进便宜那一头。DeepSeek V4-Flash 每任务 $0.10 仍是全场最低，但那个数字建立在 8/16 改制前的价格上，而且它 9/14 起已从 API 退场、名称被导向 9/10 发布的 V4.1-Flash（峰值 $0.30／$1.20、低谷 $0.15／$0.60、综合智能本期 39）；新模型目前没有长程 agentic 成绩，低谷输出价也高于 GLM-5.3-Flash 的 $0.50，这一格本期仍不给它名额。9/20 发布的 Step 5 Preview（StepFun）每百万 token $1.00／$2.70、综合智能 44，单价落在 Grok 4.6 的一半以下、分数打平，位置很适合这张卡，但它还没有任何长程 agentic 成绩、也还挂着 preview，本期不给名额、只在观察区记一笔。这张卡原本有三笔带到期日的价格，GLM-5.3-Flash 那笔 9/9 已到期，剩下两笔选型时要把 2027 年的价目一起算进去。

来源 · Artificial Analysis / DeepSWE / 各家公开报价

Best Value 各价位最值得选的模型

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」。

最佳性价比（闭源）

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

近顶级能力、零头价格。多数应用的默认首选。最上层仍是 Google 9/2 发布的 Gemini 3.8 Flash：长程 agentic 73.8% 与长程榜首 GPT-6 Astra 打平、每任务成本约为它 9/22 重算后的一半，每百万 token $0.75／$3.75 是同一条打平带里最便宜的闭源模型。那组价格附条件，写明到 2026-12-31，之后回到 $1.50／$7.50；它的综合智能 41，SWE-bench Verified 也还没有成绩，划算的是长程 agent 这一格、不是全部。第二格本期新进 OpenAI 9/29 发布的 GPT-6.1 Sol：综合智能 52，比 Astra 低一分，每百万 token $2／$10 只有 Astra 的五分之一，AA 指数每题平均成本 $0.72；它取代 9/22 的 GPT-6 Sol（48），长程 agentic 与代码榜都还没有它。OpenAI 自报它在 DeepSWE 与 Astra 相当，但公开数据文件里没有这笔，本页不采计。Meta 的 Muse Spark 1.3 退到第三：综合智能 48，每百万 token $1.25／$4.25 仍比 Sol 便宜，上下文 100 万 token，权重不开放；它另有 Contributor 方案 $0.10／$0.20，条件是提示会被拿去训练，这张卡按标准价算。Grok 4.6 排第四：$2／$6，综合智能 44、长程 67.5%、每任务 $3.45（要留意 xAI 的长上下文分级：提示超过 20 万 token 后全部改按双倍费率计）；同价拿 45 的 Qwen3.8-Max 0902 快照依本页口径与它打平，打平不换人。Sonnet 5 在纯代码榜仍是零头价格拿近顶分。同样 $2／$10 的 Claude Sonnet 5.5（9/28，AA 56）不放进这张卡：单价相同，但指数每题成本 $7.60、约为 Sol 的十倍，划算看的是实际花费。GPT-6 Astra 定价 $10／$50，不在这张卡的价格带。xAI 9/21 发布的 Grok 4.7（$2／$6、AA 46）还没有长程 agentic 成绩，本期先不进名单。Qwen3.8-Max 的权重开放仍未兑现，Hugging Face 上找得到的是 Qwen3.8-2.4T-A95B（综合智能 40）与 Qwen3.8-27B。9/20 发布的 Step 5 Preview（StepFun）在价格带上比这张卡的每一个都便宜（$1.00／$2.70、综合智能 44），预告 10/15 放出权重，但目前只有 AA 一张榜，等兑现再谈，先不进名单。

最佳开源可自部署

1 GLM-5.3（智谱）开源AA 45 · DeepSWE 69.0% · 753B

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

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

4 GLM-5.3-Flash（智谱）开源320B／18B 激活 · MIT

5 DeepSeek V4.1-Flash开源552B／16B 激活 · MIT

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

想把数据留在自己环境、或长期压低成本时看这栏。名单本期不动；上期多了一格，小米 9/21 以 MIT 放出的 MiMo-V2.6-Pro 排进第二位。最上层仍是智谱 GLM-5.3（非 Flash）：权重 8/31 在 Hugging Face 放出（zai-org/GLM-5.3），753B 总参数，与 GLM-5.2 同一底座、差在后训练。许可不是 MIT，而是一份 MIT 式自定条款，多出一条：年营收逾 100 亿美元的「模型即服务」厂商要先过 Z.AI 安全审查，其余个人与企业自部署不受此限。拿它跟 Kimi K3 比：综合智能 45 对 44（换标尺后前后颠倒，但两期都只差一分、在噪声内）、长程 69.0% 对 68.5% 也在误差内，但 753B 对 2.8T，同样 4-bit 量化，内存需求约为 Kimi K3 的四分之一，这是把它排在最上层的理由。权重放出一周，独立复测还没跟上，ARC-AGI-2 也尚未送测，先当参考、不当定论。Kimi K3 第三：AA 44、ARC-AGI-2 60.4% 仍是已送测开放权重里最高，但 2.8T 参数 4-bit 量化后约 1.4TB 高速内存，实务上是数据中心等级。GLM-5.3-Flash（320B／18B 激活、MIT、长程 63.4%、每任务 $0.48、综合智能 42）与上期换上的 DeepSeek V4.1-Flash（552B／16B 激活、MIT、综合智能本期 39）各守一个硬件层级；门槛最低的仍是 Meta Muse Glimmer，30B、Apache 2.0，4-bit 量化后一张 24GB 消费级显卡就能跑，代价是综合智能在 v4.3.2 只剩 17（本期读值，上期写 18），是本栏唯一掉到 20 以下的。上期这格写 35、卡片说明写 24，两个都是旧版本的读值，9/10 那期已一并更正。DeepSeek 这一格上期换成 V4.1-Flash：9/10 发布、9/14 起接手 deepseek-v4-pro 的 API 流量，综合智能在 v4.3.2 标尺下是 39（v4.3 标尺下读 40，换标尺后微降），仍高过已退场的 V4-Pro，总参数从 1.6T 降到 552B、激活参数从 49B 降到 16B，自部署的硬件门槛因此低了一个量级，同样是 MIT，上下文 100 万 token、原生看得懂图。它目前还没有长程 agentic、纯代码与 ARC-AGI-2 的成绩，本栏先以参数量与综合智能列入、跑分待补。新进第二位的 MiMo-V2.6-Pro 是 1.02T 总参数、42B 激活的 MoE，权重在 Hugging Face（XiaomiMiMo/MiMo-V2.6-Pro-RL）以 MIT 放出，AA 46 是目前开放权重里最高，API 每百万 token $0.435／$0.87；它与 GLM-5.3 的 45 在打平带内，排在第二是因为 1.02T 的内存需求高于 GLM-5.3 的 753B，而且长程 agentic、SWE-bench Verified 与 ARC-AGI-2 三张都还没有它，属参考、非定论。GPT-6 Astra 与 Muse Spark 1.3 都不放出权重，不在此栏。自部署的好处这期特别明显：厂商把旧 API 名称换掉、把旧模型下架，甚至评测榜上同一个名字换了模型，自己跑的那份权重都不会跟着被换掉。名单外有两个待兑现的：StepFun 9/20 发布的 Step 5 Preview（6000 亿总参数、270 亿激活、综合智能 44）官方预告 10/15 放出权重，Qwen3.8-Max 的权重库则是从 9/1 讲到现在都还没出现。这一栏只收已经放出权重的，两者都等兑现再谈。

评测没说完的事

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。

Claude Opus 5.5（Anthropic 9/22）Anthropic 9/22 发布，每百万 token $4／$20（batch $2／$10），上下文 100 万 token，比 Opus 5 的 $5／$25 便宜两成。AA 综合智能 max 设置 58、xhigh 设置 56，跑完整套指数的成本 $5.98，介于 Astra 的 $3.26 与 Fable 5.1 的 $7.63 之间；这是 v4.3.2 以来第一次有模型超出前段的打平带，领先幅度五分。厂商另外自报 Terminal-Bench 4.0 66.4%，但那是自家 harness 的跑法，本页不拿来排名，也别跟 Astra 的 57.9% 直接比。9/28 查到它已送测 ARC-AGI-2：High 设置 93.3%、每任务 $0.41，在本页追踪的模型里仅次于 GPT-6 Astra 的 95.0%；XHigh 92.5%（$0.67）、Max 反而降到 91.7%（$1.85），开到最高档没有换到更高分；ARC-AGI-1 High 98.5%。长程 agentic 与 SWE-bench Verified 两张代码榜仍没有它，本页仍只把它放进综合智能卡；下期若补上这两张，日常工作与预算不限两格最可能要重看。先当参考、不当定论。

Step 5 Preview（StepFun 9/20）6000 亿总参数、270 亿激活的稀疏 MoE，上下文 100 万 token、原生看得懂图，API 与发布同日开放，每百万 token $1.00／$2.70。AA 综合智能 44（43.7），与 Grok 4.6 的 44、Kimi K3 的 44 同在打平带内，但单价是 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，在这个分数带上是目前最便宜的位置。官方另外预告 10/15 放出权重，若兑现，开源那一栏的最上层会需要重看：现在守在那里的 GLM-5.3 是 753B 总参数、综合智能 45，Step 5 Preview 用 600B 拿 44。本期不给它任何名额，理由是能查到的只有 AA 这一张榜：长程 agentic、纯代码、ARC-AGI-2 三张都还没有它，权重也还没出来，而「预告放出权重」在本页已经有过没兑现的前例（Qwen3.8-Max 从 9/1 讲到现在）。先当参考、不当定论。

AA 综合智能指数九月第三度换版（这次换的是计分方法）Artificial Analysis 九月内出了 v4.3、v4.3.1、v4.3.2 三个版本，本页上期用 v4.3、本期换成 v4.3.2。与上期不同的是，这次动的不是题目而是计分方法：v4.3.1 把 AA-Briefcase 与 GDPval-AA v2 成对评比的裁判团换成现役模型（Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash），评分规准的评审团不变；v4.3.2 再把 GDPval-AA 升到 v2.1，Elo 标尺的锚点从原本的人类专家改成 DeepSeek V4.1-Flash（max 档位）等于 1600、评分改用 Crowd-BT 模型拟合，AA-Briefcase 同步升到 v1.1，锚点仍是 GPT-5.5（medium）等于 1000、拟合方式一并改掉。十项评测的组成与权重没有增减，所以分数几乎不动：前段五名的名次与四舍五入后的整数都与上期相同。这两件事各自值得记一笔。裁判团换成现役模型，意味着被评的模型与评分的模型是同一批，前段模型之间的相对位置从此带有一点循环的成分。Elo 锚点改成一个会被下架、会被改价、甚至会被别的模型接手 API 名称的商用模型，则是把标尺绑在一个活动的参照点上，跨版比较差值因此更不可行，只能比名次。引用 AA 分数时带上版本号，这期尤其必要：一个月内四个版本号，而且其中两个版本号的分数看起来几乎一样。

Claude Sonnet 5.5：单价相同，每题花费不同Sonnet 5.5 每百万 token $2／$10，与 Sonnet 5 同价，AA 综合智能从 38 跳到 56。但 AA 同时记下它在指数上每题平均输出约 19.3 万 token，约为 GPT-6 Astra 的七倍、比 Opus 5.5 多约六成，每题平均成本 $7.60，比 Sonnet 5 高约五成。同周发布、同样 $2／$10 的 GPT-6.1 Sol 每题只要 $0.72。单价只说明每个 token 多少钱，模型想得多长才决定实际付多少；比较成本时看每题或每任务的花费，比看价目表准。另外两组 Terminal-Bench 数字不能混用：AA 用标准化跑法测到 64%，厂商自报的 70.6% 跑在自家 harness 上；OSWorld 2.1 的 80.1% 也是自报，目前没有独立复测。

每任务成本的比较有保存期限长程榜前三名打平但成本三档：Astra 每任务 $4.43、Gemini 3.8 Flash $2.36、Opus 5 $11.84；Astra 自己五个档位从 $1.60（low、67.0%）到 $7.50（max、73.2%），max 比 xhigh 贵约七成却没有比较高分。Astra 这五笔是 9/22 版数据文件依现行定价重算的，降幅约三成、max 近四成，分数没动；数据文件只写了计算基准、没说重算原因，同一张榜上其他模型的成本也没有跟着重算。同一分数带的 Sol（$8.4）、Terra（$5.0）、Grok 4.6（$3.45）、Luna（$3.0）都便宜得多，最便宜的 DeepSeek V4-Flash 每任务 $0.10 拿 53.3%，与每任务 $26.4 的 Sonnet 5（53.8%）在误差内打平。但这些数字全按各设置跑榜当时的价目计算：OpenAI 7/30 把 Luna 降八成、Terra 降两成（实际更便宜），DeepSeek 8/16 起改峰谷分时计价、高峰输出涨到每百万 token $3.96（实际更贵）。9/14 起更进一步：deepseek-v4-pro 与 deepseek-v4-flash 两个名称都被导向 9/10 发布的 V4.1-Flash，这两笔的分数与成本都还在，只是同一个 API 名称现在回传的是另一个模型。评测榜的成本栏比分数栏更早过时，而有时过时的不是价格、是模型本身；引用前先看一次日期。

Claude Sonnet 5单价是 Claude 系列最便宜（每百万 token $2），但在长程榜用最高分设置时，每任务 $26.4 反而是全场最贵。榜的数据显示它平均走 268 步、吃掉七千多万输入 token 才解出 53.8%（Fable 5 同一批题约 68 步）。token 单价便宜不等于每任务便宜，长程任务尤其如此。

推荐变更记录

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。

2026-10-01本期没有任何情境首选换人，同日补记这一笔的理由是 (c) 关键事实更正：今天稍早那一笔说本期有两个新面孔，漏了 Google 9/30 发布的 Gemini 4 Argon。它在 AA 读 53，与 GPT-6 Astra 并列，促销期每百万 token $2／$10、之后 $4／$20，AA 指数每题成本 $1.99；但目前只开放给 Google Fairwind 计划的网络安全防御伙伴，一般开发者还用不到，因此不放进任何卡片，只补进导言、综合智能卡说明、注意事项与 ARC-AGI-2 未送测名单。Google 自报的 DeepSWE v1.1 77.9% 不在 9/22 版公开数据文件里，本页不采计。

2026-10-01本期没有任何情境首选换人，新增这一笔的理由是 (b) 卡片名单有增删。Anthropic 9/28 发布的 Claude Sonnet 5.5（AA 56、$2／$10、指数每题平均成本 $7.60）放进综合智能卡第二格；OpenAI 9/29 发布的 GPT-6.1 Sol（AA 52、$2／$10、每题 $0.72）取代 GPT-6 Sol，放进综合智能卡第五格（接替 Muse Spark 1.3）与性价比（闭源）卡第二格，Muse Spark 1.3 在后者退到第三。两者都只有 AA 一张第三方榜，长程 agentic、SWE-bench Verified 与 ARC-AGI-2 都还没有它们，代码开发一格仍是 Sonnet 5。ARC-AGI-2 未送测名单加入 Sonnet 5.5，GPT-6 Sol 换成 GPT-6.1 Sol。DeepSWE 仍是 9/22 版、SWE-bench Verified 无新版，ARC-AGI-2 沿用 9/28 读值。

2026-09-28本期没有任何情境首选换人，新增这一笔的理由是 (a) 一手数据有新版：ARC-AGI-2 的一手 JSON 端点仍是 404，但 ARC Prize 各模型成绩页本期可读，查到三个新送测。Claude Opus 5.5（9/22 发布）High 93.3%、每任务 $0.41（XHigh 92.5%、Max 91.7%、Medium 87.5%，ARC-AGI-1 High 98.5%），在本页追踪的模型里仅次于 GPT-6 Astra 的 95.0%；Gemini 3.8 Flash High 89.2%、每任务 $0.40；GPT-6 Luna（9/22 发布）Max 59.3%、每任务 $0.06。Opus 5.5 与 Gemini 3.8 Flash 从未送测名单移除，名单首位改为 MiMo-V2.6-Pro；三笔新成绩都还没画进图，待人工补入。Opus 5.5 的叙述从「只有 AA 一张第三方榜」改为两张，但两张代码榜仍没有它，日常工作、复杂推理（93.3% 低于 Astra 的 95.0%）与预算不限三格都不换。DeepSWE 仍是 9/22 版、SWE-bench Verified 无新版，AA 综合智能沿用 9/24 的 v4.3.2 读值；9/24 之后没有查到新的主要模型发布。

2026-09-24本期没有任何情境首选换人，新增这一笔的理由是 (a)(b)(c) 三项都成立。(a) DeepSWE 数据文件出了 9/22 版：各模型分数与置信区间逐笔比对都没动，只有 GPT-6 Astra 五个档位的每任务成本依现行定价（每百万 token 未缓存输入 $10、缓存写入 $12.50、缓存读取 $1、输出 $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，数据文件没写重算原因；本页长程 agentic、批量、性价比（闭源）三张卡与观察区引用的 Astra 成本整批换成新值，Gemini 3.8 Flash 对 Astra 的成本差从三分之一改写成约一半。(b) 两张卡的名单有增减：综合智能卡第一格加入 9/22 发布的 Claude Opus 5.5（AA 58），Opus 5 让出名额；开源卡第二位加入小米 9/21 以 MIT 放出的 MiMo-V2.6-Pro（1.02T／42B 激活、AA 46），其余顺延。两者都只有 AA 一张第三方榜，列为参考、非定论；Opus 5.5 自报的 Terminal-Bench 4.0 66.4% 是自家 harness，不与标准化跑法同尺。(c) 读值更正：Muse Glimmer 从 18 更正为 17。另记两个新读值但不给名额：Grok 4.7（9/21，AA 46、$2／$6）、GPT-6 Sol（9/22，AA 48、$2／$10），同日发布的 GPT-6 Luna 在 AA 尚无读值。v4.3.2 表上本期没有列出的 Opus 5、Fable 5、GPT-5.6 Sol 与 GPT-5.6 Luna 沿用上期读值。SWE-bench Verified 无新版，ARC-AGI-2 一手 JSON 仍是 404、沿用 9/4 读值。

2026-09-21本期没有任何卡片换人，新增这一笔的理由是 (a) 一手数据文件出新版与 (c) 关键数字可查证修正。(a) Artificial Analysis 综合智能指数在九月内连出三版，本页上期用的 v4.3 已被 v4.3.1、v4.3.2 取代，本期整批换成 v4.3.2 读值。与 9/10 那次不同，这次改的不是题目而是计分方法：v4.3.1 把 AA-Briefcase 与 GDPval-AA v2 成对评比的裁判团换成现役模型（Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash）；v4.3.2 把 GDPval-AA 升到 v2.1、Elo 锚点改为 DeepSeek V4.1-Flash（max）等于 1600、改用 Crowd-BT 拟合，AA-Briefcase 同步升到 v1.1（锚点仍是 GPT-5.5 medium 等于 1000）。十项评测的组成与权重未动，分数几乎不变，前段名次与四舍五入后的整数与上期相同，因此没有任何一格换人。(c) 两处数字修正：Qwen3.8-Max 从 40 变 45，但这是榜上同一个名字换了模型（现在指的是 9/1 的 0902 快照 45.4，原本那笔已标停用 40.2），不是同一个模型变强，因此高效／低延迟与性价比（闭源）两张卡上期写的「Grok 4.6 比同价位的 Qwen3.8-Max 高四分」已改写成打平、Grok 4.6 因为另有长程 agentic 成绩而续留；DeepSeek V4.1-Flash 从 40 修正为 39（39.456），开源那一栏不因此换人。另新增一个观察对象：StepFun 9/20 发布的 Step 5 Preview（6000 亿总参数、270 亿激活、综合智能 44、$1.00／$2.70、预告 10/15 放出权重），只有 AA 一张榜有它，本期列入观察与注意事项、不给名额。三张一手数据文件（DeepSWE、ARC-AGI-2、注入攻击）连续第三期都没有新版，图表与相关数字整批维持上期。

2026-09-16本期的实质变动来自 DeepSeek 换代，触发两项：(b) 卡片名单有增删，(c) 关键数字可查证修正。(b)「最佳开源可自部署」栏把 DeepSeek V4-Pro 换成 9/10 发布的 V4.1-Flash：综合智能在 v4.3 尺度下 40、高过 V4-Pro 的 36，总参数从 1.6T 降到 552B、激活参数从 49B 降到 16B，同样是 MIT 许可、上下文 100 万 token，自部署的硬件门槛低一个量级。(c) 定价与路由改制：V4.1-Flash 高峰每百万 token $0.30／$1.20、低谷 $0.15／$0.60；9/14 04:00 UTC 起 deepseek-v4-pro 的请求改由 V4.1-Flash 以 Flash 价服务，deepseek-v4-flash 与 deepseek-v4-flash-vision-exp 两个名称也一并导向它，长程 agentic 榜上那两笔（每任务 $0.24 与 $0.10）的 API 名称因此已经指向别的模型，卡片说明、观察区与散点图说明各补一句。四张榜本期都没有新版：AA 仍是 v4.3、DeepSWE 一手数据文件仍是 9/3 版（generated_at 逐字符相同）、SWE-bench Verified 没有新版、ARC-AGI-2 的一手 JSON 端点仍是 404，沿用 9/4 读值。图表数据与五个场景的首选全部不动。V4.1-Flash 目前还没有长程 agentic、纯编码与 ARC-AGI-2 的成绩，已加进 ARC 未送测名单与新面孔提醒。

怎么阅读这份数据

这份清单不是穷举：只涵盖我们持续追踪的一组主要模型，新发布或较冷门的可能还没收进来（Grok 4.5 就一度漏列）。没列到不代表不值得选；遇到别的模型，建议自己再抓一次最新比对。
不同榜量的东西不一样：SWE-bench 量可验证的修 bug 正确率，Arena 盲测量人类看了喜不喜欢。同一个 Arena 底下还分 WebDev 综合、前端、全栈几张子榜，名次不一定一致，本页引用的 1691／1674 是 WebDev 综合榜，而 Kimi K3 在前端子榜是第一、在综合榜是第二。先确认榜量的是不是你的用途，也确认你看的是哪一张子榜，别把单一名次当定论。
分数差常在噪声里：顶端几名的差距多半小于误差区间，等于打平。SWE-bench Verified 前几名已挤在 1 个百分点内、接近饱和。别把「高 1~2%」当「比较强」，差别通常在成本。
新面孔的数据还不齐：10/7 的 Claude Haiku 5.5（AA 43，最高推理档位）只有综合智能一张第三方榜，厂商自报的 agentic 成绩跑在自家 harness 上，本页不采用；10/6 的 Mistral Large 4 Preview（AA 38、每百万 token $1.36／$4.18，AA 标为闭源）同样只有这一张，不给名额。9/28 的 Claude Sonnet 5.5（AA 56）、9/29 的 GPT-6.1 Sol（AA 52）与 9/30 的 Gemini 4 Argon（AA 53）目前都只有综合智能一张第三方榜。Sonnet 5.5 自报的 Terminal-Bench 4.0 70.6% 与 OSWorld 2.1 80.1% 跑在自家 harness 上，AA 标准化跑法测到的 Terminal-Bench 4.0 是 64%；GPT-6.1 Sol 自报的 DeepSWE 成绩不在公开数据文件里。Gemini 4 Argon 自报 DeepSWE v1.1 77.9%，高于长程榜首 Astra 的 74.1%，但 9/22 版公开数据文件里没有它，本页不采计；它目前只开放给 Google Fairwind 计划的网络安全防御伙伴。9/21 到 9/22 那批里，Claude Opus 5.5（AA 58）有 ARC-AGI-2（High 93.3%），两张代码榜仍没有它；Grok 4.7（9/21，46）、MiMo-V2.6-Pro（9/21，46）仍只有综合智能一张，GPT-6 Luna 则只有 ARC-AGI-2（Max 59.3%）一张；Opus 5.5 自报的 Terminal-Bench 4.0 66.4% 同样是自家 harness。本页把 Opus 5.5、Sonnet 5.5 与 GPT-6.1 Sol 放进综合智能卡、GPT-6.1 Sol 放进性价比卡、MiMo-V2.6-Pro 放进开源卡，都属参考、非定论。9/20 发布的 Step 5 Preview（StepFun）同样只有综合智能（44），权重也还没放出来，不给名额。GPT-6 Astra（9/3）有长程 agentic（74.1%、±2.9）、ARC-AGI-2（95.0%）与综合智能（53）三张榜，但 SWE-bench Verified 还没有它，纯代码那一格无从对照；它的 ARC-AGI-3 在标准 harness 与厂商 adapter 下相差 37 个百分点，引用前先确认是哪一套。Meta Muse Spark 1.3（9/2）目前只有综合智能一张榜（48），DeepSWE 与 ARC-AGI-2 都还没有。Gemini 3.8 Flash（9/2）本期补上 ARC-AGI-2（High 89.2%、每任务 $0.40），加上长程 agentic（73.8%、±1.4）与综合智能（41），SWE-bench Verified 仍没有它。Claude Fable 5.1（9/1）有综合智能（53）与 ARC-AGI-2（90.0%），两张代码榜都还没有它。DeepSeek V4.1-Flash（9/10）目前只有综合智能一张榜（本期 39），长程 agentic、SWE-bench Verified 与 ARC-AGI-2 三张都还没有它，开源那一栏是以参数量与综合智能列入。换代后的 Qwen3.8-Max 0902（9/1）同样只有综合智能一张榜（45），厂商自己贴的代码数字跑在自家 harness 上、与本页引用的标准化跑法不可比。智谱 GLM-5.3 权重 8/31 才放出、独立复测还没跟上，ARC-AGI-2 也尚未送测；GLM-5.3-Flash 仍只有长程一笔（63.4%、±4.4）。另外，Astra、Fable 5.1、Opus 5.5、Gemini 3.8 Flash 与 GPT-6 Luna 的 ARC-AGI-2 成绩，以及长程榜上 Gemini 3.7 Flash 与 DeepSeek V4-Pro 的点，都还没画进下方图。以上几款都要在大规模批量或押注许可条件前，自己先小批试过。

不确定哪个模型适合你？

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。

已复制，粘贴到你惯用的 AI 即可 ✓