AI 模型能力对比
知识工作
仅显示最近一年发布的模型；只展示覆盖其中至少 3 款模型的评测。发布日期未知的不显示，历史数据仍保留。
Vals IndexVals 综合指数
— 表示此来源未公布该候选的成绩，不代表零分。近一年模型中 7/11 款有成绩
| 序号 | 模型 | Cost / Test每次测试费用 | Input cost每百万输入 token 价格 | Output cost每百万输出 token 价格 | Duration来源公布的测试耗时 | Input / Output Tokens来源公布的输入／输出 token 用量 | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 70.85 | $18.7 | $2 | $10 | 86 min | 45.09B / 654.94M |
| 2 | Claude Opus 5.5Claude Opus 5.5 | 70.18 | $28.12 | $4 | $20 | 85 min | 31.96B / 499.75M |
| 3 |  Gemini 4 ArgonGemini 4 Argon | 69.24 | $13.37 | $4 | $20 | 44.97 min | 13.36B / 146.17M |
| 4 |  GPT-6 AstraGPT-6 Astra | 65.02 | $21.28 | $10 | $50 | 33.65 min | 4.92B / 96.77M |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 63.94 | $3.61 | $2 | $10 | 44.4 min | 5.49B / 103.20M |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 58.71 | $3.17 | $0.1 | $0.5 | 49.8 min | 23.07B / 765.85M |
| 7 | GPT-6 LunaGPT-6 Luna | 52.32 | $0.45 | $0.1 | $0.5 | 32.38 min | 10.05B / 202.17M |
PandaNpc 更新于 2026年10月21日 UTC 06:01
数据来源: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
列说明
- 序号
- 仅表示当前显示顺序；排序会改变序号，它不是官方能力排名。
- 模型
- 显示被评测模型的名称及厂商图标；评分中的破折号表示此处暂无已发布成绩，不代表零分。
- Cost / Test
- 每次测试费用 · USD
- Input cost
- 每百万输入 token 价格 · USD / 1M tokens
- Output cost
- 每百万输出 token 价格 · USD / 1M tokens
- Duration
- 来源公布的测试耗时 · s / min
- Input / Output Tokens
- 来源公布的输入／输出 token 用量 · tokens
- Vals.ai
- 费用与耗时来自 Vals 对当前基准的记录，不代表模型通用价格或延迟。CUA-bench 的预估 API 费用为评测用量的下限估计，不是每任务费用；每次动作耗时为平均值，不是中位数。星号表示发布当天提示缓存复用不足，导致缓存写入费用增加。缺失值表示未公布，不是零。
- Vals Finance Agent v2Vals 金融智能体 v2
- 测试模型使用搜索、财报和计算工具完成金融分析，包括跨文档核对数据、比较公司业绩和估值。主指标为 Partial Credit，取三次运行的平均值：按答案检查项的重要程度加权计分，关键项出现致命错误时该题记零。越高越好；它与单独的 All-Pass 指标不同，不是整题通过率。 评测方法说明 ↗
- Harvey's Legal Agent BenchmarkHarvey 法律智能体基准
- 测试代理读取、编辑文件并完成多步骤法律工作成果的能力。一项任务必须满足全部评分要求才算通过；分数为两位评审给出的任务通过率平均值，越高越好。它不是单项评分标准的通过比例，衡量的是法律智能体工作流程，与 LegalBench 的法律推理题不同。 评测方法说明 ↗
- Vals IndexVals 综合指数
- 汇总金融、编程、法律等专业任务表现的综合指数。百分比分数按所发布版本的方法对基准结果加权，越高表示整体表现越好，不是单项任务的正确率。纳入领域和权重会随版本变化，不能将新版方法追溯套用到旧评分快照。 评测方法说明 ↗
- LegalBench法律推理基准
- 测试法律文本理解与推理，包括识别法律问题、回忆和应用规则、判断法律结论等。分数为法律推理题的准确率，越高越好。与 Harvey 法律智能体基准不同，它不衡量代理通过编辑文件完成多步骤法律工作成果的能力。 评测方法说明 ↗