排行榜

24 个模型 · 113 个任务 · 更新于 2026-08-18 11:30

排名模型能力得分能力得分平均成本平均输出量平均步数

claude-opus-5 [max] 74% ±4%

能力得分 74% 平均成本 $11.84 平均输出量 118k 平均步数 99

gpt-5-6-sol [max] 73% ±3%

能力得分 73% 平均成本 $8.39 平均输出量 60k 平均步数 61

claude-fable-5 [xhigh] 70% ±3%

能力得分 70% 平均成本 $13.41 平均输出量 80k 平均步数 68

gpt-5-6-terra [max] 70% ±3%

能力得分 70% 平均成本 $4.95 平均输出量 72k 平均步数 76

kimi-k3 [max] 69% ±5%

能力得分 69% 平均成本 $4.65 平均输出量 81k 平均步数 98

grok-4-6 [medium] 67% ±2%

能力得分 67% 平均成本 $3.45 平均输出量 50k 平均步数 70

gpt-5-6-luna [max] 67% ±4%

能力得分 67% 平均成本 $3.03 平均输出量 73k 平均步数 102

gpt-5-5 [xhigh] 67% ±6%

能力得分 67% 平均成本 $7.23 平均输出量 46k 平均步数 82

gemini-3-7-flash [medium] 65% ±3%

能力得分 65% 平均成本 $2.03 平均输出量 94k 平均步数 117

deepseek-v4-pro [max] 63% ±6%

能力得分 63% 平均成本 $0.24 平均输出量 106k 平均步数 155

claude-opus-4-8 [max] 59% ±2%

能力得分 59% 平均成本 $13.22 平均输出量 135k 平均步数 120

qwen3-8-max [xhigh] 57% ±3%

能力得分 57% 平均成本 $3.73 平均输出量 95k 平均步数 111

muse-spark-1-2 [xhigh] 55% ±2%

能力得分 55% 平均成本 $3.70 平均输出量 99k 平均步数 101

claude-sonnet-5 [max] 54% ±4%

能力得分 54% 平均成本 $26.40 平均输出量 214k 平均步数 268

grok-4-5 [high] 54% ±2%

能力得分 54% 平均成本 $2.42 平均输出量 36k 平均步数 61

muse-spark-1-1 [xhigh] 53% ±3%

能力得分 53% 平均成本 $2.36 平均输出量 74k 平均步数 96

deepseek-v4-flash [max] 53% ±4%

能力得分 53% 平均成本 $0.10 平均输出量 108k 平均步数 153

gpt-5-4 [xhigh] 52% ±2%

能力得分 52% 平均成本 $5.65 平均输出量 71k 平均步数 70

gemini-3-6-flash [high] 47% ±4%

能力得分 47% 平均成本 $4.42 平均输出量 96k 平均步数 117

glm-5-2 [max] 44% ±2%

能力得分 44% 平均成本 $3.92 平均输出量 78k 平均步数 129

gemini-3-5-flash [high] 36% ±4%

能力得分 36% 平均成本 $3.45 平均输出量 76k 平均步数 105

kimi-k2-7-code 31% ±1%

能力得分 31% 平均成本 $2.82 平均输出量 59k 平均步数 149

claude-sonnet-4-6 [high] 30% ±4%

能力得分 30% 平均成本 $5.52 平均输出量 76k 平均步数 134

gemini-3-1-pro-preview [high] 12% ±1%

能力得分 12% 平均成本 $2.14 平均输出量 28k 平均步数 76

条形长度为能力得分（按最高模型归一化），竖线为该模型的平均运行成本在成本轴上的位置；同一模型以多个推理档位参与测试，本表展示能力得分最高的档位成绩。成绩反映特定任务集、测试环境和运行方式下的表现，不代表模型综合能力的绝对排名。