AI模型基准测试
当前谁在各项基准测试中领先、哪些模型处于前沿,以及每项测试衡量什么。每个排名都使用自己的指标:不存在通用的评分。
来自OpenRouter的实时数据更新于2026年11月17日
按基准测试排名
选择一个类别和一项基准测试:图表会显示该测试中排名靠前的模型。每项基准测试都有自己的指标:只在同一项测试内进行比较。
Artificial Analysis · 2026年11月17日
水平条形图:Intelligence Index中排名前10的模型(综合指数(越高越好))。1. Claude Fable 5.2 (Max, Default Fallback) (Anthropic): 64.6; 2. GPT-6.2 Astra (Max) (OpenAI): 62.1; 3. Gemini 4 Carbon (High) (Google): 60.0; 4. Claude Opus 5.5 (Max, Default Fallback) (Anthropic): 59.1; 5. GPT-6.2 Sol (Max) (OpenAI): 57.3; 6. GPT-6 Astra (Max) (OpenAI): 56.9; 7. GPT-6.1 Sol (Max) (OpenAI): 54.6; 8. Claude Sonnet 5.5 (Max, Default Fallback) (Anthropic): 54.5; 9. Gemini 4 Hydrogen (Xhigh) (Google): 53.9; 10. GPT-6.1 Terra (Max) (OpenAI): 51.3。
- 1Anthropic64.6
- 2OpenAI62.1
- 3Google60.0
- 4Anthropic59.1
- 5OpenAI57.3
- 6OpenAI56.9
- 7OpenAI54.6
- 8Anthropic54.5
- 9Google53.9
- 10OpenAI51.3
前10名中的提供商
该排名中各提供商分别有多少个模型。统计的是图表中的模型数量,而非市场份额。
| 提供商 | 模型 | 占比 |
|---|---|---|
| OpenAI | 5 | 50% |
| Anthropic | 3 | 30% |
| 2 | 20% |
Intelligence Index · Artificial Analysis · 2026年11月17日
查看完整表格(64个模型)
64个模型 · 综合指数(越高越好) · Artificial Analysis
| # | 模型 | 提供商 | 评分 | 基准测试 / 来源 | 比较 | 输入 / 输出价格 |
|---|---|---|---|---|---|---|
| 1 | 提示词指南 | Anthropic | 64.6 | Intelligence IndexArtificial Analysis | US$16 / US$80 | |
| 2 | 提示词指南 | OpenAI | 62.1 | Intelligence IndexArtificial Analysis | US$4 / US$20 | |
| 3 | 提示词指南 | 60.0 | Intelligence IndexArtificial Analysis | US$2.2 / US$11 | ||
| 4 | 提示词指南 | Anthropic | 59.1 | Intelligence IndexArtificial Analysis | US$4.4 / US$22 | |
| 5 | 提示词指南 | OpenAI | 57.3 | Intelligence IndexArtificial Analysis | US$1 / US$5 | |
| 6 | 提示词指南 | OpenAI | 56.9 | Intelligence IndexArtificial Analysis | US$10 / US$50 | |
| 7 | 提示词指南 | OpenAI | 54.6 | Intelligence IndexArtificial Analysis | US$2 / US$10 | |
| 8 | 提示词指南 | Anthropic | 54.5 | Intelligence IndexArtificial Analysis | US$2.2 / US$11 | |
| 9 | 提示词指南 | 53.9 | Intelligence IndexArtificial Analysis | US$1.65 / US$8.25 | ||
| 10 | 提示词指南 | OpenAI | 51.3 | Intelligence IndexArtificial Analysis | US$1.2 / US$6 | |
| 11 | 提示词指南 | 50.4 | Intelligence IndexArtificial Analysis | US$2.2 / US$11 | ||
| 12 | 提示词指南 | Anthropic | 50.0 | Intelligence IndexArtificial Analysis | US$11 / US$55 | |
| 13 | 提示词指南 | Moonshot AI | 46.5 | Intelligence IndexArtificial Analysis | US$2 / US$9.49 | |
| 14 | 提示词指南 | Anthropic | 44.2 | Intelligence IndexArtificial Analysis | US$5.5 / US$27.5 | |
| 14 | 提示词指南 | OpenAI | 44.2 | Intelligence IndexArtificial Analysis | US$2 / US$10 | |
| 15 | Meta | 43.6 | Intelligence IndexArtificial Analysis | US$4 / US$20 | ||
| 16 | 提示词指南 | Qwen | 42.9 | Intelligence IndexArtificial Analysis | US$1.43 / US$4.28 | |
| 17 | Meta | 36.6 | Intelligence IndexArtificial Analysis | US$1.25 / US$4.25 | ||
| 18 | 提示词指南 | Anthropic | 36.5 | Intelligence IndexArtificial Analysis | US$0.11 / US$0.55 | |
| 19 | Meta | 36.0 | Intelligence IndexArtificial Analysis | US$0.1 / US$0.5 | ||
| 20 | 提示词指南 | xAI | 35.5 | Intelligence IndexArtificial Analysis | US$1.6 / US$4.8 | |
| 21 | Tencent | 34.6 | Intelligence IndexArtificial Analysis | US$0.417 / US$1.25 | ||
| 22 | 提示词指南 | Qwen | 33.7 | Intelligence IndexArtificial Analysis | US$1.15 / US$3.45 | |
| 23 | 提示词指南 | DeepSeek | 32.6 | Intelligence IndexArtificial Analysis | US$0.098 / US$0.294 | |
| 24 | 提示词指南 | OpenAI | 32.3 | Intelligence IndexArtificial Analysis | US$4 / US$24 | |
| 25 | 提示词指南 | Z.ai | 31.7 | Intelligence IndexArtificial Analysis | US$0.45 / US$2 | |
| 26 | 提示词指南 | xAI | 31.0 | Intelligence IndexArtificial Analysis | US$1.6 / US$4.8 | |
| 27 | 提示词指南 | 30.8 | Intelligence IndexArtificial Analysis | US$0.825 / US$4.13 | ||
| 28 | Thinkingmachines | 30.6 | Intelligence IndexArtificial Analysis | US$0.285 / US$0.95 | ||
| 29 | Xiaomi | 29.9 | Intelligence IndexArtificial Analysis | US$4 / US$8 | ||
| 30 | Inclusionai | 29.6 | Intelligence IndexArtificial Analysis | US$0.045 / US$0.135 | ||
| 31 | 提示词指南 | MiniMax | 29.1 | Intelligence IndexArtificial Analysis | US$0.15 / US$0.6 | |
| 32 | 提示词指南 | Qwen | 28.6 | Intelligence IndexArtificial Analysis | US$0.15 / US$0.47 | |
| 33 | Stepfun | 28.5 | Intelligence IndexArtificial Analysis | US$1 / US$2.7 | ||
| 34 | 提示词指南 | OpenAI | 27.9 | Intelligence IndexArtificial Analysis | US$0.1 / US$0.5 | |
| 35 | 提示词指南 | Z.ai | 27.8 | Intelligence IndexArtificial Analysis | US$0.15 / US$0.5 | |
| 36 | Xiaomi | 26.7 | Intelligence IndexArtificial Analysis | US$0.14 / US$0.28 | ||
| 37 | Mistral AI | 26.1 | Intelligence IndexArtificial Analysis | US$0.77 / US$2.31 | ||
| 38 | Meta | 24.9 | Intelligence IndexArtificial Analysis | US$1.25 / US$4.25 | ||
| 39 | 提示词指南 | OpenAI | 23.8 | Intelligence IndexArtificial Analysis | US$0.2 / US$1.2 | |
| 40 | 提示词指南 | DeepSeek | 23.1 | Intelligence IndexArtificial Analysis | US$1.95 / US$3.9 | |
| 41 | 提示词指南 | DeepSeek | 20.8 | Intelligence IndexArtificial Analysis | US$1.95 / US$3.9 | |
| 42 | 提示词指南 | Qwen | 20.1 | Intelligence IndexArtificial Analysis | US$0.16 / US$2 | |
| 43 | 提示词指南 | MiniMax | 18.9 | Intelligence IndexArtificial Analysis | US$0.224 / US$0.88 | |
| 44 | Reflection | 17.7 | Intelligence IndexArtificial Analysis | US$0.4 / US$1.2 | ||
| 45 | 提示词指南 | Moonshot AI | 17.4 | Intelligence IndexArtificial Analysis | US$3.3 / US$16.5 | |
| 46 | Upstage | 14.2 | Intelligence IndexArtificial Analysis | US$0.3 / US$1.2 | ||
| 47 | NVIDIA | 13.6 | Intelligence IndexArtificial Analysis | US$0.15 / US$0.5 | ||
| 48 | Thinkingmachines | 12.9 | Intelligence IndexArtificial Analysis | US$0.36 / US$0.96 | ||
| 49 | Thinkingmachines | 12.5 | Intelligence IndexArtificial Analysis | US$1 / US$4.05 | ||
| 50 | NVIDIA | 11.8 | Intelligence IndexArtificial Analysis | US$0.75 / US$3.3 | ||
| 51 | 提示词指南 | 11.7 | Intelligence IndexArtificial Analysis | US$0.54 / US$4.5 | ||
| 52 | 提示词指南 | Anthropic | 7.4 | Intelligence IndexArtificial Analysis | US$1.1 / US$5.5 | |
| 53 | Meta | 6.3 | Intelligence IndexArtificial Analysis | US$0.3 / US$1.2 | ||
| 54 | Cohere | 6.2 | Intelligence IndexArtificial Analysis | US$0.3 / US$1.5 | ||
| 54 | 提示词指南 | 6.2 | Intelligence IndexArtificial Analysis | US$0.45 / US$2.7 | ||
| 55 | Liquid | 6.0 | Intelligence IndexArtificial Analysis | US$0 / US$0 | ||
| 56 | NVIDIA | 5.5 | Intelligence IndexArtificial Analysis | US$0.07 / US$0.2 | ||
| 57 | Ibm Granite | 5.1 | Intelligence IndexArtificial Analysis | US$0.06 / US$0.25 | ||
| 58 | Mistral AI | 4.6 | Intelligence IndexArtificial Analysis | US$0.75 / US$3.75 | ||
| 59 | 提示词指南 | 4.4 | Intelligence IndexArtificial Analysis | US$0.1 / US$0.34 | ||
| 60 | Mistral AI | 4.3 | Intelligence IndexArtificial Analysis | US$0.165 / US$0.66 | ||
| 61 | 提示词指南 | OpenAI | 3.8 | Intelligence IndexArtificial Analysis | US$0.15 / US$0.75 | |
| 62 | Cohere | 3.4 | Intelligence IndexArtificial Analysis | US$0 / US$0 |
价格为每百万输入 / 输出token的美元价格,以来源公布的数据为准。“—”表示无数据。
成本与性能
每个点代表一个模型:越靠上评分越高,越靠左越便宜(输入价格,对数刻度)。虚线连接的,是在价格和评分上都没有被其他任何模型同时超越的模型。
基准测试:Intelligence Index · Artificial Analysis · 2026年11月17日
使用键盘:聚焦图表后,用← →方向键从最便宜到最贵依次浏览各个模型。 2个没有价格的模型未在图中绘出。
成本计算器
按标价估算你的用量在上方所选基准测试的每个模型上要花多少钱。“最佳性价比”按每个评分点的美元成本排序:数值越低,每一美元带来的效果越多。
每次请求1k输入token、500输出token,共1,000次请求 · Intelligence Index
| 模型 | 评分 | 每次请求成本 | 每评分点美元成本 | 总计(1,000次请求) |
|---|---|---|---|---|
| LFM3-1.7BLiquid | 6.0 | US$0 | US$0 | US$0 |
| North Mini CodeCohere | 3.4 | US$0 | US$0 | US$0 |
| Ling 3.1 Flash 1019Inclusionai | 29.6 | US$0.00011 | US$0.0000038 | US$0.113 |
| DeepSeek V4.1 Flash 1017 (Max)DeepSeek指南 | 32.6 | US$0.00025 | US$0.0000075 | US$0.245 |
| Muse Ember (Max)Meta | 36.0 | US$0.00035 | US$0.0000097 | US$0.350 |
| MiMo-V2.6-FlashXiaomi | 26.7 | US$0.00028 | US$0.00001 | US$0.280 |
| Claude Haiku 5.5 (Max)Anthropic指南 | 36.5 | US$0.00039 | US$0.000011 | US$0.385 |
| GPT-6 Luna (Max)OpenAI指南 | 27.9 | US$0.00035 | US$0.000013 | US$0.350 |
| Qwen3.8-Flash-NextQwen指南 | 28.6 | US$0.00039 | US$0.000013 | US$0.385 |
| GLM-5.3-FlashZ.ai指南 | 27.8 | US$0.0004 | US$0.000014 | US$0.400 |
按每百万token的标价估算(不含缓存、批处理或折扣);实际费用可能不同。评分来自所选基准测试,不能与其他测试的评分比较。
不确定哪个适合你的任务?基准测试并不了解你的使用场景。
找到最合适的AI →前沿模型
在Promptea中,如果一个模型在当前快照里至少一项通用能力基准测试中排进前5名,它就是“前沿模型”。这些基准测试是:Artificial Analysis的Intelligence、Coding或Agentic指数,以及OpenRouter的GPQA Diamond和τ-bench测试结果。
为什么是这些基准测试?
我们选用这些测试,是因为它们衡量的是广泛的能力:推理、编程和智能体任务。专项排名(搜索配置、设计竞技场)也会展示,但在这些方面的单项胜出不足以让一个模型被称为“前沿模型”。数据变化时,名单也会随之变化。
Intelligence Index排名靠前的模型
快速比较在通用基准测试中领先的模型。你可以打开每个模型的分析,或同时比较几个。
#1Claude Fable 5.2Anthropic
64.6在5项通用能力基准测试中,有2项进入前5名
US$16 / US$80
#2GPT-6.2 Astra (Max)OpenAI
62.1在5项通用能力基准测试中,有1项进入前5名
US$4 / US$20
#3Gemini 4 CarbonGoogle
60.0在5项通用能力基准测试中,有1项进入前5名
US$2.2 / US$11
#4Claude Opus 5.5Anthropic
59.1在5项通用能力基准测试中,有1项进入前5名
US$4.4 / US$22
#5GPT-6.2 Sol (Max)OpenAI
57.3在5项通用能力基准测试中,有1项进入前5名
US$1 / US$5
#6OpenAI: GPT-6 AstraOpenAI
56.9在5项通用能力基准测试中,有1项进入前5名
US$10 / US$50
| 模型 | Intelligence Index | Coding Index | Agentic Index | τ-bench(已验证,航空公司) | GPQA Diamond | 比较 |
|---|---|---|---|---|---|---|
| Anthropic · 指南 | #1250.0 | #180.7 | #157.2 | #379.2% | #2789.9% | |
| Anthropic · 指南 | #164.6 | — | — | #8268.0% | #494.9% | |
| Anthropic · 指南 | #1444.2 | #378.0 | #256.5 | #978.2% | #3987.9% | |
| Google · 指南 | #1150.4 | — | — | #778.7% | #196.5% | |
| OpenAI · 指南 | — | #5749.4 | — | #180.0% | #4986.7% | |
| Google · 指南 | #2730.8 | #776.3 | #2340.2 | #6971.3% | #295.6% | |
| OpenAI · 指南 | — | #278.3 | #1447.4 | #5073.3% | #1492.4% | |
| OpenAI · 指南 | #262.1 | — | — | — | — | |
| Inclusionai | #3029.6 | — | — | #279.3% | #8181.3% | |
| Google · 指南 | #360.0 | — | — | — | — | |
| OpenAI · 指南 | — | — | — | #5872.7% | #395.5% | |
| Qwen · 指南 | #2233.7 | #876.2 | #356.0 | — | — |
显示21个前沿模型中的12个。
各项基准测试衡量什么
各项基准测试衡量什么(23)
- Intelligence Index · 通用智能
衡量内容:通用能力:把推理、知识、数学和编程评测汇总成一个指数。
局限性:这是一个综合指数:它按Artificial Analysis设定的权重合并多项第三方评测,并且会随版本变化。适合在同一指数内比较模型,不适合用来预测你具体任务上的结果。
来源:Artificial Analysis · 综合指数(越高越好)
- Coding Index · 编程
衡量内容:编程:汇总代码生成和问题求解评测。
局限性:这是一个综合指数:它按Artificial Analysis设定的权重合并多项第三方评测,并且会随版本变化。适合在同一指数内比较模型,不适合用来预测你具体任务上的结果。
来源:Artificial Analysis · 综合指数(越高越好)
- Agentic Index · 智能体与工具
衡量内容:智能体任务:汇总工具调用和多步骤任务评测。
局限性:这是一个综合指数:它按Artificial Analysis设定的权重合并多项第三方评测,并且会随版本变化。适合在同一指数内比较模型,不适合用来预测你具体任务上的结果。
来源:Artificial Analysis · 综合指数(越高越好)
- τ-bench(已验证,航空公司) · 智能体与工具
衡量内容:智能体在遵守规则的前提下使用工具,为一位模拟的航空公司客户提供服务。由OpenRouter运行。
局限性:只覆盖一个领域(航空公司),使用模拟用户;不衡量其他类型的智能体,也不衡量真实的集成。
来源:OpenRouter · 准确率:完成任务的百分比
- GPQA Diamond · 科学推理
衡量内容:研究生水平的生物、物理和化学选择题,很难通过上网搜索找到答案。由OpenRouter运行。
局限性:题型为选择题,且只覆盖一个领域(科学);顶尖模型的得分已经很高,因此微小的差距可能落在不同运行之间的波动范围内。
来源:OpenRouter · 准确率:回答正确的百分比
- BrowseComp(搜索) · 搜索
衡量内容:OpenRouter的搜索基准测试:模型借助网页搜索工具作答。
局限性:OpenRouter公布的是每个模型得分最高的配置(搜索引擎、调用方式、推理强度),因此结果也取决于这套配置,而不只取决于模型本身。
来源:OpenRouter · 准确率:回答正确的百分比
- DSQA(搜索) · 搜索
衡量内容:OpenRouter的搜索基准测试:模型借助网页搜索工具作答。
局限性:OpenRouter公布的是每个模型得分最高的配置(搜索引擎、调用方式、推理强度),因此结果也取决于这套配置,而不只取决于模型本身。
来源:OpenRouter · 准确率:回答正确的百分比
- Humanity's Last Exam(搜索) · 搜索
衡量内容:OpenRouter的搜索基准测试:模型借助网页搜索工具作答。
局限性:OpenRouter公布的是每个模型得分最高的配置(搜索引擎、调用方式、推理强度),因此结果也取决于这套配置,而不只取决于模型本身。
来源:OpenRouter · 准确率:回答正确的百分比
- WideSearch(搜索) · 搜索
衡量内容:OpenRouter的搜索基准测试:模型借助网页搜索工具作答。
局限性:OpenRouter公布的是每个模型得分最高的配置(搜索引擎、调用方式、推理强度),因此结果也取决于这套配置,而不只取决于模型本身。
来源:OpenRouter · 按条目计算的F1(越高越好)
- Design Arena · 3d · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · asciiart · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · audiorealism · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · codecategories · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · dataviz · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · gamedev · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · graphicdesign · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · image · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · imageediting · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · logo · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · svg · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · text to speech · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · uicomponent · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
- Design Arena · website · 设计与UI
衡量内容:由真人投票的一对一比较:针对同一需求,两个模型的视觉结果中他们更喜欢哪一个。
局限性:衡量的是偏好,而不是正确性。Elo只能在同一竞技场、同一类别内比较。
来源:Design Arena · Elo(越高越好;仅相对于本竞技场)
哪个适合你的任务?
基准测试并不了解你的使用场景。描述你想做的事,我们会推荐一款AI和一个模型,并说明理由。