1
主力实现Sol仓库修复 · 终端执行
独立交叉验证18 个模型7 类第三方来源
AI 大模型选择器先看你要做什么，再看谁排第一
把 GPT、Claude、Grok、Meta、GLM、DeepSeek、Qwen 和 Kimi 放进同一张能力地图。先给能直接照着用的结论，再展开证据、成本与局限。
一句话结论
仓库修复、终端与 Codex 主力选 Sol 高 / 很高（high / xhigh），完整应用、模糊多文件任务与独立复核选 Fable 5；成本敏感时先看 Terra、Grok 与开放权重模型。
这是独立的影子页面：只展示规则生成的候选结果，不会修改正式结论。
30 秒快速决策
你主要想拿它做什么？
最稳组合
Sol 实现，Fable 复核
仓库修复和终端执行优先 Sol；完整应用、模糊需求和第二视角交给 Fable。
2
独立复核Fable 5完整应用 · 模糊需求
3
日常省钱Terra日常多文件开发 · 能力与成本平衡
普通任务用 high；顽固 Bug 或架构问题再升 xhigh。max 留给多轮失败后的关键任务。
01
Sol 与 Fable 同处公开前沿
02
编程冠军取决于任务类型
03
max 不该成为日常默认
04
Kimi K2.7 Code 是代码专项
05
第三方榜单也要审计
先说明我们怎么判断
我们如何判断
官方资料只负责确认名称、规格、价格与可用性；能力结论至少需要两个方法不同的第三方来源互相支持。模型、推理档位、代理框架和测试版本都会单独标注。
普通用户先看这里
看懂这些词就够了
不需要会编程。后文遇到这些词时，可以按下面的简单意思理解。
模型像“大脑”；Codex、Claude Code、Cursor 像“工作台”。同一模型换工具，实际编程效果也会变。
允许模型在回答前多想多久。low / medium / high / xhigh / max 分别可理解为低 / 中 / 高 / 很高 / 最高；越高通常越慢，也不保证每个任务都更好。
token 是计费和处理文字的小单位；上下文是一次能记住的内容量；缓存是重复内容少算一次钱。
API 是开发者按量调用模型的接口；开放权重表示模型文件可下载部署，不等于完全免费或没有许可限制。
让不同模型使用尽量相同的提示、工具、时间和评分方法。这样比直接拼接各厂商自报分数更公平。
核心映射
相当于哪个 GPT 与 Claude？
先切换“通用推理”和“实际编程”。每一行都给出能力区间、判断把握（证据可靠程度）和参照模型，而不是制造一个看似精确的万能总分。
综合能力位置
以 Artificial Analysis（AA）v4.1 为主轴，再用 Vals 与 LiveBench 检查方向。1 分以内不判胜负。
01
Fable 5Anthropic
AA 60
把握 高AA v4.1：与 Sol max 同处公开前沿，点估计高约 1 分
02
SolOpenAI
AA 59
把握 高AA v4.1：与 Fable 5 max 基本同档；差距不足以下绝对结论
03
Opus 4.8Anthropic
AA 56
把握 高AA v4.1：约同 Sol high，点估计略高于 GPT-5.5 xhigh
04
TerraOpenAI
AA 55
把握 高AA v4.1：max 约同 GPT-5.5 xhigh；xhigh 约同 Sonnet 5 max
05
GPT-5.5OpenAI
AA 55
把握 高AA v4.1：xhigh 与 Terra max 同档，接近 Opus 4.8 max
06
Grok 4.5xAI
AA 54
把握 高AA v4.1：约同 Sol medium、GPT-5.5 high、Terra / Sonnet 5 max
07
Muse 1.1Meta
Vals 68.41
把握 中Vals Index：约同 Sonnet 5、GPT-5.5；AA 尚待同口径测试
08
Sonnet 5Anthropic
AA 53
把握 高AA v4.1：max 约同 GPT-5.5 high、Sol medium
09
LunaOpenAI
AA 51
把握 中高AA v4.1：max 约同 GLM-5.2 max、GPT-5.5 medium
10
GLM-5.2Z.AI · 开放权重
AA 51
把握 中高AA v4.1：约同 GPT-5.5 medium、Terra xhigh、Luna max
11
Qwen 3.7 MaxAlibaba
AA 46
把握 中高AA v4.1：约同 Terra medium、Luna high、GPT-5.5 low～medium
12
DeepSeek V4 ProDeepSeek · 开放权重
AA 44
把握 高AA v4.1：约同 GPT-5.5 low、Terra low～medium
通用“相当于”主要指 AA v4.1 的能力区间；编程视角只给综合参考次序，不画伪精确差距。它不表示写作、中文、视觉、工具调用和安全策略完全相同。
推理强度
推理强度怎么选
下面是 Artificial Analysis v4.1 的同口径分数。它最适合回答：多花时间思考，究竟换回多少能力。
关闭41
低49
中54API 默认
高56日常难题
很高58复杂编程
最高59边际收益很小
Sol 很高 → 最高
58 到 59，边际收益很小。
Luna 最高
反而超过 Sol 低档的 49。
Claude 不补假数据
支持 low～max，但第三方尚无完整同口径矩阵。
真实编程
不同编程任务，强项不同
修真实仓库、从零做完整应用、在终端里坚持几十步，以及在 Cursor 中改多文件，是四件不同的事。
当前问题
给真实 GitHub 仓库修 Bug，谁更稳？
结论
数据：Vals SWE-bench Verified该 harness 上 Sol 与 Fable 基本同档，Sol 点估计略高；作为 Codex 主力更直接。
模型通过率 %
1
Sol96.20
2
Fable 595.0
3
Opus 4.888.60
4
Grok 4.586.60
5
GPT-5.582.60
6
Sonnet 579.57
单次 API 成本
估算一次 API 任务的成本
每百万 token 的挂牌价只是开始。先按你的输入、输出规模比较基础成本，再考虑缓存、长上下文、思考冗长度和失败重试。
这里算的是开发者 API 按量费用
这是开发者通过 API 按量调用的费用，不是 ChatGPT、Claude 等 App 的会员订阅费。普通聊天软件用户可以跳过本节。
高级设置：自定义 token 数量
不确定时不用修改，直接选择上面的任务规模即可。
按基础 API 价估算
Sol
$0.550
输入 50,000 × $5/M
输出 10,000 × $30/M
1.05M 上下文闭源 API
同任务低价参考不代表效果相同
V4 Flash$0.14 / $0.28$0.0098
DeepSeek V4 Pro$0.435 / $0.87$0.030
Qwen 3.7 Plus$0.4 / $1.6$0.036
Kimi K2.6$0.95 / $4$0.087
上下文是模型一次能处理的内容总量。这里已校验上限，并对 Qwen Plus 自动切换价格阶梯；OpenAI 输入超过 272K、Grok 超过 200K 时若官方页未给出可核实精确费率，则停止报价。仍未计入缓存命中、批处理、工具、失败重试和代理循环。
榜单可信度
第三方榜单是否可信
“谁测的、怎么测、拿谁的钱、是否统一代理、有没有模型裁判”，与最终分数同样重要。
审计结论
未发现付费买排名的可靠证据
但赞助、投资、API 额度、预发布送测、咨询客户和数据合作确实存在。所以我们看方法与交叉复现，不看“独立”两个字。A−
Artificial Analysis
查看方法与页面- 最适合
- 综合趋势、推理档位、速度和实际任务成本
- 不要用来
- 唯一的“模型 IQ”或严格等算力比较
方法与利益关系
v4.1 九项评测；Agent 34%、Coding 24%、科学推理 24%、General 18%。部分使用 LLM 判分。
商业评测公司；提供咨询和定制评测，曾参与预发布送测。未见付费改排名证据；本报告锁定带日期的 v4.1，避免动态页版本显示不一致。
A− / B+
Vals AI
查看方法与页面- 最适合
- 私有真实任务、完整应用、统一轻量代理
- 不要用来
- 把 Vals Index 当成通用智力排名
方法与利益关系
私有题降低污染并报告误差；Vals Index 实际按美国经济任务加权，偏金融与编程。
商业评测平台，向实验室与工程团队销售服务；未见逐模型赞助清单或付费改排名证据。
A
LiveBench
查看方法与页面- 最适合
- 闭式推理、数学、知识和代码题的抗污染比较
- 不要用来
- 完整应用、软件代理或长程工具调用
方法与利益关系
持续更新题目、客观真值、自动判分，不使用 LLM 裁判。
论文披露由 Abacus.AI 赞助；代码、题目、答案与评分公开。
A− / B
Terminal-Bench 2.1
查看方法与页面- 最适合
- 同一 Terminus 2 下的长程终端与系统操作
- 不要用来
- 把混合总榜直接当作基础模型排名
方法与利益关系
任务与测试可检查，但总榜混合 Codex、Claude Code 和 Terminus 等不同代理。
Stanford × Laude 与社区项目；未见付费改排名证据。
B+ / C
CursorBench 3.2
查看方法与页面- 最适合
- 在 Cursor 内的真实多文件编程体验
- 不要用来
- 中立的基础模型智力比较
方法与利益关系
真实会话任务，且会针对不同模型定制 harness；外界不能完整复现。
Cursor 自家私有榜，同时销售 Cursor 和自研 Composer；但主动披露过数据污染风险。
B− / C+
SWE-bench Verified
查看方法与页面- 最适合
- 在同一 mini-SWE-agent 下辅助观察仓库修复
- 不要用来
- 2026 前沿模型的唯一代码结论
方法与利益关系
公开 GitHub 题目已饱和且可能进入训练；部分测试可能拒绝功能正确的补丁。
官网致谢 OpenAI、Anthropic、AWS、a16z 等支持；Verified 本身是与 OpenAI 合作项目。
B / C
LM Arena
查看方法与页面- 最适合
- 人类主观偏好、回答风格和日常聊天体验
- 不要用来
- 正确率、严谨推理或实际编程能力
方法与利益关系
匿名两两投票，但长度、格式、语气与品牌可识别性都会影响偏好。
接受过无附加条件资金、云和 API 额度，后公司化融资；没有买榜证据。
详细证据
证据与来源
这里保留完整的型号辨析、独立数据、价格和方法说明。第一次阅读不必全部展开，需要核对时再点开。
官方事实厂商自报独立测试编辑推断
01OpenAI 与 Claude：最容易混淆的名称和推理档官方事实
GPT‑5.6
- Sol、Terra、Luna 都是独立 API 模型，默认推理档为 medium。
- 共同支持 none、low、medium、high、xhigh、max。
- Sol Pro 是 ChatGPT 产品模式；API 的 pro 是运行模式，不是第四款模型。
- ultra 是多代理编排，也不是更高的单模型推理档。
- GPT‑5.5 Pro 只支持 medium、high、xhigh，默认 high；仅走 Responses API（另有 Batch）。
Claude
- Fable 5 与 Mythos 5 基于同一底层模型；后者仅邀请部分获批美国组织及有限 Glasswing 访问。
- Fable/Mythos 的自适应思考不能关闭。
- Claude 支持 low、medium、high、xhigh、max；产品中的 extra 对应 xhigh。
- Opus 4.8 的 API 默认不启用思考；Sonnet 5 默认启用但可以关闭。
- Fable/Mythos 要求 30 天数据保留，不提供 Zero Data Retention。
02Kimi、Meta 与开放权重：谁才是当前旗舰官方事实 + 独立验证
当前 Kimi 最强代码专项，通用旗舰仍是 K2.6。普通版缓存 / 输入 / 输出为 $0.19 / $0.95 / $4，HighSpeed 是同一模型的高速服务并按 $0.38 / $1.90 / $8 计费。Modified MIT 开放权重。官方 Kimi Code Bench v2 从 50.9 提升到 62.0；AA 综合分 42，因此不能把代码专项当成全面升级。
Kimi 官方文档 ↗官方模型卡与 Kimi Code Bench v2 ↗Meta 当前最强闭源推理与工具代理模型，Vals 约同 Sonnet 5 / GPT‑5.5。若必须开放权重，Meta 代表仍是 Llama 4 Maverick，但它不等于当前闭源旗舰。
Meta 官方发布 ↗当前最强开放权重综合模型之一。厂商代码成绩接近 Sonnet 5，但独立 Terminal‑Bench 更接近 Grok/Kimi 一带。
Z.AI 官方发布 ↗DeepSeek V4 Pro 的核心优势是极低成本；Qwen 3.7 Max 是闭源综合旗舰，Plus 适合低价 coding tools。Qwen 另有 Coder 系列开放权重模型，不能与 Max 混为一谈。
03厂商官方成绩：看上限，也看口径厂商自报
官方成绩最适合确认厂商声称的能力上限，不适合直接跨厂商判胜负：代理、工具、超时、采样和推理档位并不统一。
OpenAI 发布页
手机上可左右滑动查看完整表格
| 模型 | AA v4.1 | AA Code | SWE Pro | TB 2.1 |
|---|---|---|---|---|
| GPT-5.6 Sol | 58.9 | 80.0 | 64.6% | 88.8% |
| GPT-5.6 Terra | 55.0 | 77.4 | 63.4% | 87.4% |
| GPT-5.6 Luna | 51.2 | 74.6 | 62.7% | 84.7% |
Sol 的 AA 项明确为 max；SWE‑Bench Pro 与 Terminal‑Bench 页面未逐项披露完整 effort / harness。Sol Ultra 是四代理编排，不混入单模型表。
OpenAI GPT‑5.6 官方表 ↗Anthropic 系统卡
手机上可左右滑动查看完整表格
| 模型 | SWE Pro | TB 2.1 | OSWorld | HLE + tools |
|---|---|---|---|---|
| Claude Fable 5 | 80.0% | 84.3% | 85.0% | — |
| Claude Opus 4.8 | 69.2% | 82.7% | 83.4% | 57.9% |
| Claude Sonnet 5 | 63.2% | 80.4% | 81.2% | 57.4% |
Terminal‑Bench 使用 mini‑SWE‑agent；Fable high 的 20.9% 轨迹触发安全拒答后由 Opus 4.8 接续，因此 84.3% 不是纯底模无回退分数。
Kimi 的官方代码专项信号
Kimi Code Bench v2：K2.6 50.9 → K2.7 Code 62.0；同一官方表中 GPT‑5.5 + Codex xhigh 为 69.0、Opus 4.8 + Claude Code xhigh 为 67.4。它能证明 K2.7 的代码专项进步，但仍是厂商自建榜与不同代理组合。
Kimi 官方模型卡 ↗04同版本独立数据快照AA v4.1 + Vals
AA 与 Vals 测的不是同一种“智能”。AA 更偏 Agent、Coding 和科学推理；Vals Index 偏美国经济任务中的金融与编程。两列方向一致时，结论把握更高。
手机上可左右滑动查看完整表格
| 模型 / 最高档 | AA v4.1 | Vals Index | 输入 / 输出 $/M |
|---|---|---|---|
| Claude Fable 5 max | 60 | 75.14% | $10 / $50 |
| GPT-5.6 Sol max | 59 | 72.63% | $5 / $30 |
| Claude Opus 4.8 max | 56 | 70.36% | $5 / $25 |
| GPT-5.5 xhigh | 55 | 67.95% | $5 / $30 |
| GPT-5.6 Terra max | 55 | 65.14% | $2.50 / $15 |
| Grok 4.5 high | 54 | 65.30% | $2 / $6 |
| Claude Sonnet 5 max | 53 | 68.61% | $2 / $10* |
| GPT-5.6 Luna max | 51 | — | $1 / $6 |
| GLM-5.2 max | 51 | 65.02% | $1.40 / $4.40 |
| Meta Muse Spark 1.1 | 待测 | 68.41% | $1.25 / $4.25 |
| Qwen 3.7 Max | 46 | 57.49% | $2.50 / $7.50 |
| DeepSeek V4 Pro max | 44 | 55.62% | $0.435 / $0.87 |
| Kimi K2.6 | 44 | 55.17% | $0.95 / $4 |
| Kimi K2.7 Code | 42 | 非同口径 | $0.95 / $4 |
05API 基础价格与隐藏成本官方定价
手机上可左右滑动查看完整表格
| 模型 | 缓存读 $/M | 输入 $/M | 输出 $/M | 需要注意 |
|---|---|---|---|---|
| GPT-5.5 Pro | — | $30 | $180 | 仅 Responses API；无缓存价 |
| Fable / Mythos 5 | $1 | $10 | $50 | Mythos 邀请制；无 ZDR |
| GPT-5.6 Sol | $0.50 | $5 | $30 | 输入 >272K 基础价不适用 |
| GPT-5.5 | $0.50 | $5 | $30 | 仍有正式 API |
| Claude Opus 4.8 | $0.50 | $5 | $25 | 1M 无同类溢价 |
| GPT-5.6 Terra | $0.25 | $2.50 | $15 | 输入 >272K 基础价不适用 |
| Claude Sonnet 5 | $0.20 | $2 | $10 | 介绍价至 2026-08-31 |
| Grok 4.5 | $0.50 | $2 | $6 | 输入 >200K 另有未公开精确费率 |
| GLM-5.2 | $0.26 | $1.40 | $4.40 | 开放权重 |
| Meta Muse Spark 1.1 | $0.15 | $1.25 | $4.25 | 1M |
| GPT-5.6 Luna | $0.10 | $1 | $6 | 输入 >272K 基础价不适用 |
| Kimi K2.7 Code | $0.19 | $0.95 | $4 | HighSpeed 为两倍价 |
| Qwen 3.7 Plus | 按部署 | $0.40 | $1.60 | 国际端点 ≤256K；越界 $1.20 / $4.80 |
| DeepSeek V4 Pro | $0.003625 | $0.435 | $0.87 | Preview / 开放权重 |
| DeepSeek V4 Flash | $0.0028 | $0.14 | $0.28 | 最低价批量档 |
OpenAI：输入超过 272K 后，整次请求进入更高长上下文价格。
Qwen：表内是新加坡 / 国际端点快照；Global、美国、日本及中国大陆部署可能不同，计算器只自动处理国际端点的 256K 阶梯。
Anthropic：1M 没有同类溢价，但新 tokenizer 对同一文本可能生成更多 token。
真正成本：挂牌价 × token 只是基础；还要加上思考冗长度、失败重试、工具调用和代理循环。
06为什么不同榜单会得出相反结论？方法解释
测试对象可能不同
- 基础模型不等于 Codex、Claude Code、Cursor 或 Terminus 代理。
- 同一模型换工具、系统提示、超时和 token 上限，结果会显著变化。
- max 与 high 的算力预算不同，不能解释成纯粹模型 IQ。
题目与评分也不同
- 公开题容易污染；私有题更抗污染，但外界无法完整复现。
- LLM 裁判适合开放任务，却会引入风格和评分模型偏见。
- 人类偏好榜更喜欢语气、格式和长度，不代表答案更正确。
最终结论
四条最终建议
只选一个
仓库修复 / 终端优先用 Sol + Codex；完整应用优先看 Fable 5。
选两个最稳
Sol 负责实现，Fable 5 或 Opus 4.8 负责独立复核。
预算要分层
普通工程用 Terra/Grok；批量低价值任务用 DeepSeek/Qwen Plus。
开放权重要分工
GLM‑5.2 做通用，Kimi K2.7 Code 做代码专项。