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。

前10名 · Intelligence Index
  1. 1Anthropic64.6
  2. 2OpenAI62.1
  3. 3Google60.0
  4. 4Anthropic59.1
  5. 5OpenAI57.3
  6. 6OpenAI56.9
  7. 7OpenAI54.6
  8. 8Anthropic54.5
  9. 9Google53.9
  10. 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。

环形图:该基准测试前10名模型的提供商分布。OpenAI:5(50%); Anthropic:3(30%); Google:2(20%)。10模型
前10名中的提供商
提供商模型占比
OpenAI550%
Anthropic330%
Google220%

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

Intelligence Index — 综合指数(越高越好)
#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Anthropic64.6Intelligence IndexArtificial AnalysisUS$16 / US$80
2提示词指南OpenAI62.1Intelligence IndexArtificial AnalysisUS$4 / US$20
3提示词指南Google60.0Intelligence IndexArtificial AnalysisUS$2.2 / US$11
4提示词指南Anthropic59.1Intelligence IndexArtificial AnalysisUS$4.4 / US$22
5提示词指南OpenAI57.3Intelligence IndexArtificial AnalysisUS$1 / US$5
6提示词指南OpenAI56.9Intelligence IndexArtificial AnalysisUS$10 / US$50
7提示词指南OpenAI54.6Intelligence IndexArtificial AnalysisUS$2 / US$10
8提示词指南Anthropic54.5Intelligence IndexArtificial AnalysisUS$2.2 / US$11
9提示词指南Google53.9Intelligence IndexArtificial AnalysisUS$1.65 / US$8.25
10提示词指南OpenAI51.3Intelligence IndexArtificial AnalysisUS$1.2 / US$6
11提示词指南Google50.4Intelligence IndexArtificial AnalysisUS$2.2 / US$11
12提示词指南Anthropic50.0Intelligence IndexArtificial AnalysisUS$11 / US$55
13提示词指南Moonshot AI46.5Intelligence IndexArtificial AnalysisUS$2 / US$9.49
14提示词指南Anthropic44.2Intelligence IndexArtificial AnalysisUS$5.5 / US$27.5
14提示词指南OpenAI44.2Intelligence IndexArtificial AnalysisUS$2 / US$10
15Meta43.6Intelligence IndexArtificial AnalysisUS$4 / US$20
16提示词指南Qwen42.9Intelligence IndexArtificial AnalysisUS$1.43 / US$4.28
17Meta36.6Intelligence IndexArtificial AnalysisUS$1.25 / US$4.25
18提示词指南Anthropic36.5Intelligence IndexArtificial AnalysisUS$0.11 / US$0.55
19Meta36.0Intelligence IndexArtificial AnalysisUS$0.1 / US$0.5
20提示词指南xAI35.5Intelligence IndexArtificial AnalysisUS$1.6 / US$4.8
21Tencent34.6Intelligence IndexArtificial AnalysisUS$0.417 / US$1.25
22提示词指南Qwen33.7Intelligence IndexArtificial AnalysisUS$1.15 / US$3.45
23提示词指南DeepSeek32.6Intelligence IndexArtificial AnalysisUS$0.098 / US$0.294
24提示词指南OpenAI32.3Intelligence IndexArtificial AnalysisUS$4 / US$24
25提示词指南Z.ai31.7Intelligence IndexArtificial AnalysisUS$0.45 / US$2
26提示词指南xAI31.0Intelligence IndexArtificial AnalysisUS$1.6 / US$4.8
27提示词指南Google30.8Intelligence IndexArtificial AnalysisUS$0.825 / US$4.13
28Thinkingmachines30.6Intelligence IndexArtificial AnalysisUS$0.285 / US$0.95
29Xiaomi29.9Intelligence IndexArtificial AnalysisUS$4 / US$8
30Inclusionai29.6Intelligence IndexArtificial AnalysisUS$0.045 / US$0.135
31提示词指南MiniMax29.1Intelligence IndexArtificial AnalysisUS$0.15 / US$0.6
32提示词指南Qwen28.6Intelligence IndexArtificial AnalysisUS$0.15 / US$0.47
33Stepfun28.5Intelligence IndexArtificial AnalysisUS$1 / US$2.7
34提示词指南OpenAI27.9Intelligence IndexArtificial AnalysisUS$0.1 / US$0.5
35提示词指南Z.ai27.8Intelligence IndexArtificial AnalysisUS$0.15 / US$0.5
36Xiaomi26.7Intelligence IndexArtificial AnalysisUS$0.14 / US$0.28
37Mistral AI26.1Intelligence IndexArtificial AnalysisUS$0.77 / US$2.31
38Meta24.9Intelligence IndexArtificial AnalysisUS$1.25 / US$4.25
39提示词指南OpenAI23.8Intelligence IndexArtificial AnalysisUS$0.2 / US$1.2
40提示词指南DeepSeek23.1Intelligence IndexArtificial AnalysisUS$1.95 / US$3.9
41提示词指南DeepSeek20.8Intelligence IndexArtificial AnalysisUS$1.95 / US$3.9
42提示词指南Qwen20.1Intelligence IndexArtificial AnalysisUS$0.16 / US$2
43提示词指南MiniMax18.9Intelligence IndexArtificial AnalysisUS$0.224 / US$0.88
44Reflection17.7Intelligence IndexArtificial AnalysisUS$0.4 / US$1.2
45提示词指南Moonshot AI17.4Intelligence IndexArtificial AnalysisUS$3.3 / US$16.5
46Upstage14.2Intelligence IndexArtificial AnalysisUS$0.3 / US$1.2
47NVIDIA13.6Intelligence IndexArtificial AnalysisUS$0.15 / US$0.5
48Thinkingmachines12.9Intelligence IndexArtificial AnalysisUS$0.36 / US$0.96
49Thinkingmachines12.5Intelligence IndexArtificial AnalysisUS$1 / US$4.05
50NVIDIA11.8Intelligence IndexArtificial AnalysisUS$0.75 / US$3.3
51提示词指南Google11.7Intelligence IndexArtificial AnalysisUS$0.54 / US$4.5
52提示词指南Anthropic7.4Intelligence IndexArtificial AnalysisUS$1.1 / US$5.5
53Meta6.3Intelligence IndexArtificial AnalysisUS$0.3 / US$1.2
54Cohere6.2Intelligence IndexArtificial AnalysisUS$0.3 / US$1.5
54提示词指南Google6.2Intelligence IndexArtificial AnalysisUS$0.45 / US$2.7
55Liquid6.0Intelligence IndexArtificial AnalysisUS$0 / US$0
56NVIDIA5.5Intelligence IndexArtificial AnalysisUS$0.07 / US$0.2
57Ibm Granite5.1Intelligence IndexArtificial AnalysisUS$0.06 / US$0.25
58Mistral AI4.6Intelligence IndexArtificial AnalysisUS$0.75 / US$3.75
59提示词指南Google4.4Intelligence IndexArtificial AnalysisUS$0.1 / US$0.34
60Mistral AI4.3Intelligence IndexArtificial AnalysisUS$0.165 / US$0.66
61提示词指南OpenAI3.8Intelligence IndexArtificial AnalysisUS$0.15 / US$0.75
62Cohere3.4Intelligence IndexArtificial AnalysisUS$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

散点图:Intelligence Index中的62个模型,输入价格对比评分。8个模型构成成本/性能前沿:Ling 3.1 Flash 1019 (29.6, US$0.045); DeepSeek V4.1 Flash 1017 (Max) (32.6, US$0.098); Muse Ember (Max) (36, US$0.1); Claude Haiku 5.5 (Max) (36.5, US$0.11); GPT-6.2 Sol (Max) (57.3, US$1); Gemini 4 Carbon (High) (60, US$2.2); GPT-6.2 Astra (Max) (62.1, US$4); Claude Fable 5.2 (Max, Default Fallback) (64.6, US$16)。0204060$0.01$0.1$1$10$100输入价格(每百万token的美元价格,对数刻度)评分Ling 3.1 Flash 1019DeepSeek V4.1 Flash 1017 (Max)Muse Ember (Max)Claude Haiku 5.5 (Max)GPT-6.2 Sol (Max)Gemini 4 Carbon (High)GPT-6.2 Astra (Max)Claude Fable 5.2 (Max, Default Fallback)

成本/性能前沿AnthropicOpenAIGoogleMoonshot AIMetaQwenxAITencentDeepSeekZ.aiThinkingmachinesXiaomiInclusionaiMiniMaxStepfunMistral AIReflectionUpstageNVIDIACohereIbm Granite

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。

示例:

每次请求1k输入token、500输出token,共1,000次请求 · Intelligence Index

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)
LFM3-1.7BLiquid6.0US$0US$0US$0
North Mini CodeCohere3.4US$0US$0US$0
Ling 3.1 Flash 1019Inclusionai29.6US$0.00011US$0.0000038US$0.113
DeepSeek V4.1 Flash 1017 (Max)DeepSeek指南32.6US$0.00025US$0.0000075US$0.245
Muse Ember (Max)Meta36.0US$0.00035US$0.0000097US$0.350
MiMo-V2.6-FlashXiaomi26.7US$0.00028US$0.00001US$0.280
Claude Haiku 5.5 (Max)Anthropic指南36.5US$0.00039US$0.000011US$0.385
GPT-6 Luna (Max)OpenAI指南27.9US$0.00035US$0.000013US$0.350
Qwen3.8-Flash-NextQwen指南28.6US$0.00039US$0.000013US$0.385
GLM-5.3-FlashZ.ai指南27.8US$0.0004US$0.000014US$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。

  1. #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

  2. #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

  3. #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

  4. #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

  5. #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

  6. #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

每个前沿模型在各项通用能力基准测试中的排名
模型Intelligence IndexCoding IndexAgentic Indexτ-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。

找到最合适的AI →