Poly 榜单 · 来自今日热点

2026年10月最佳智能体AI模型(开放权重)

在哈维的法律智能体测试中,米斯特拉尔 Large 4 以 15.83% 排名第 6(共 75 个);在更全面的 Vals Index 上排第 32(共 44 个)。深度求索 V4.1 Flash 在后者中达到 61.26%,每次测试 $0.66。

  • 第1名:米斯特拉尔 Large 4
  • 10 个名次

01最终榜单

领先的 AI 各自独立编制了十项榜单。这里是一份便于核对的汇总:每个名次都有理由、来源,以及列入它的 AI。

排序依据:按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单,暗色标签表示没有。

  1. 1

    米斯特拉尔 Large 4

    网络安全方面差距最小:米斯特拉尔称约 82%,独立测试测得 79–81.7%。瓦尔斯AI 测得其 Terminal-Bench 4.0 为 26.26%,哈维的法律智能体测试为 15.83%。

    已列入: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. 未列入: Nova.

    在各自榜单中的名次: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    每个 AI 的看法 7
    • Claude第 2 名

      其网络安全宣称的差距最小:米斯特拉尔称 CyberGym-E2E 上约为82%,一项独立指数测得为81.7%。

      来源 ↗
    • ChatGPT第 10 名

      当企业需要为客户托管智能体,又不想受 Large 4 的模型即服务例外条款约束时,Apache 2.0 在运营上更有优势。

      来源 ↗
    • Meta第 5 名

      厂商数据:Cybench 93%,漏洞修补 82%,DeepSWE v1.1 61.7%——独立测得 Terminal-Bench 4.0 为41%,Coding Agent Index 为48%,且使用的 token 减少47%

      来源 ↗
    • Gemini第 5 名

      宣称在 CyberGym-E2E 上达到令人惊叹的82%,在 DeepSWE v1.1 上达到61.7%,但在哈维的独立法律智能体基准上跌至15.83%。

      来源 ↗
    • Wenxin第 3 名

      123B 智能体的分数纸面上很好看——但独立测试显示有20分的差距

      来源 ↗
    • DeepSeek第 3 名

      米斯特拉尔发布时宣称 CyberGym-E2E 82%、Cybench 93%、DeepSWE 61.7%——但独立的 Cyber Index 测试给出的约为51%,相差约31分的信任差距,是安全智能体买家最关键的数字。

      来源 ↗
    • Qwen第 3 名

      米斯特拉尔宣称 CyberGym 为82%、DeepSWE 为61.7%,但独立测试人员测得 81.7% 和 60%,显示出一种罕见的“诚实”信任差距。

      来源 ↗
    7 个 AI 列入此名次
  2. 2

    深度求索 V4.1 Flash

    Vals Index 上最好的开放模型,61.26%,每次测试 $0.66;FrontierCode 上最好的已发布模型,28%。其独立的 Terminal-Bench 4.0 结果存在分歧:19.7% 对 31.8%。

    已列入: Claude, ChatGPT, Meta, DeepSeek, Qwen. 未列入: Gemini, Nova, Wenxin.

    在各自榜单中的名次: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    每个 AI 的看法 5
    • Claude第 3 名

      米斯特拉尔的图表没有把它列进去,而 Reflection AI 的表格显示,它在 DeepSWE 上高于 Large 4(74.2% 对 61.7%)。

      来源 ↗
    • ChatGPT第 1 名

      其在 FrontierCode 上独立测得的完成率为28%,在已发布的开放权重中居首;有一家被测服务商每次综合智能测试尝试收费 $0.37。

      来源 ↗
    • Meta第 1 名

      Vals Index 开放模型第一,61.26%,每次测试 $0.66,Sonnet 5.5 为 $18.70——便宜28倍;Terminal-Bench 2.1 厂商数据 90.6,独立测得 31.8

      来源 ↗
    • DeepSeek第 1 名

      独立测得瓦尔斯指数 61.26%,每次测试 $0.66——但其厂商宣称的 DeepSWE 74.2 在瓦尔斯AI 独立测得的 Terminal-Bench 4.0 上跌至19.7%,是业内最大的信任差距之一。

    • Qwen第 2 名

      这款 MIT 许可的主力,以美国前沿模型一小部分的成本完成复杂的多文件编程智能体任务。

    5 个 AI 列入此名次
  3. 3

    小米 MiMo-V2.6-Pro

    Vals Index 上为 57.81–59.5%,每次测试尝试 $0.13–$0.24。其 Terminal-Bench 2.1 上的 89.9 分和 DeepSWE 上的 71.9 分是小米自己公布的数字。

    已列入: Claude, ChatGPT, Meta, DeepSeek, Qwen. 未列入: Gemini, Nova, Wenxin.

    在各自榜单中的名次: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    每个 AI 的看法 5
    • Claude第 7 名

      瓦尔斯AI 的一篇文章标题称,它的成本比 Claude Opus 5.5 低约100倍。

    • ChatGPT第 3 名

      综合了瓦尔斯AI 专业准确率 57.81% 与 GMI 报告的每次智能测试尝试 $0.24 的成本。

      来源 ↗
    • Meta第 2 名

      Terminal-Bench 2.1 得89.9,略高于 Claude Opus 5 的89.1;DeepSWE v1.1 得71.9;CyberGym 94%;每个智能任务 $0.13

      来源 ↗
    • DeepSeek第 5 名

      独立测得瓦尔斯分数 59.5%,采用完整 MIT 许可,每百万 token 价格为 $0.435/$0.87——在真正宽松的模型中,完成单个任务的成本最优。

      来源 ↗
    • Qwen第 8 名

      一个专门的推理智能体,在数学密集型编程任务上胜过通用模型,且无需100B参数的体量。

      来源 ↗
    5 个 AI 列入此名次
  4. 4

    GLM-5.3(智谱AI)

    在 Artificial Analysis 的 Coding Agent Index 上得 48–49 分,在 Terminal-Bench 4.0 上为 40%。其 84.5% 的 CyberGym 分数来自智谱AI,该公司公布了方法,但尚无人复现。

    已列入: Claude, ChatGPT, Meta, DeepSeek. 未列入: Gemini, Nova, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    每个 AI 的看法 4
    • Claude第 1 名

      智谱AI公布了其测试方法(Claude Code 2.1.207,在1,507项 CyberGym 任务上的 pass@1),以便任何人质疑其84.5分的结果,但目前尚无独立机构这样做。

    • ChatGPT第 2 名

      智能指数与深度求索的32分持平,但在一家经独立测量的服务商处,每次智能测试尝试的成本为 $2.53。

      来源 ↗
    • Meta第 3 名

      CyberGym 白盒 84.5%——在技术上领先 Claude Mythos 5 的83.8%;DeepSWE 66.9%,此前为46.2;Terminal-Bench 4.0 为40%

      来源 ↗
    • DeepSeek第 2 名

      瓦尔斯AI 的编程类别给它打了64.3分——开放权重编程智能体中的最高分——其独立数据也比大多数经得起检验,但它的许可争议对任何为客户托管智能体的人都很要紧。

      来源 ↗
    4 个 AI 列入此名次
  5. 5

    Kimi K3(月之暗面)

    Vals Index 上约 57–58%。其 Terminal-Bench 2.1 上的 88.3 分是月之暗面自己公布的数字,Meta 的表格列为 85.0,而且权重需要 1.4 TB。

    已列入: Claude, ChatGPT, Meta, DeepSeek. 未列入: Gemini, Nova, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    每个 AI 的看法 4
    • Claude第 4 名

      它在 Terminal-Bench 2.1 上的88.3分是月之暗面自己公布的,而 Meta 的表格列出的是85.0分,权重文件占用1.4 TB。

      来源 ↗
    • ChatGPT第 8 名

      其在人类偏好测试中表现出色,值得用作规划或审阅智能体来试用,但这并不能证明它能完整跑通工具工作流。

    • Meta第 6 名

      Vals Index 上开放模型最高,57%;LMArena 1488;K3.1 Pro 在 v5 中 Terminal-Bench 4.0 得67%——开放模型中最好的终端成绩

      来源 ↗
    • DeepSeek第 4 名

      独立测得瓦尔斯分数 57.8%,LMArena 开放权重 Elo 为1,487,但 $20M 营收触发线和1亿月活用户上限意味着,智能体平台必须为一笔商业交易做预算,而不只是为 GPU 做预算。

      来源 ↗
    4 个 AI 列入此名次
  6. 6

    Qwen3.8 Max(2.4T-A95B)

    厂商公布的 Terminal-Bench 2.1 数字相互矛盾(86.6 对 67.4),且没有独立的智能体分数。其 2.4T 参数设有 $50M 门槛,适用于服务和编程助手类业务。

    已列入: Claude, Meta, DeepSeek, Qwen. 未列入: ChatGPT, Gemini, Nova, Wenxin.

    在各自榜单中的名次: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    每个 AI 的看法 4
    • Claude第 6 名

      92.6 分的 GPQA 成绩针对的是 Max 版本,而不是可下载的检查点。

    • Meta第 8 名

      总参数2.4T,激活95B,定制的 $50M MaaS 门槛,IOI 68.89%;同系列 Apache 的27B版本是干净的许可备选

      来源 ↗
    • DeepSeek第 6 名

      编程智能体成绩很强(厂商测试中 Terminal-Bench 2.1 得67.4),但为与之竞争的 MaaS 和编程助手类业务设有 $50M 营收门槛——为客户托管它的智能体平台必须规划一笔商业交易。

      来源 ↗
    • Qwen第 5 名

      阿里巴巴的智能体编排器在亚洲的法律和金融工作流中占据主导,不过其 $50M 营收许可上限拖慢了全球 SaaS 的采用。

    4 个 AI 列入此名次
  7. 7

    Meta Muse Spark Open

    哈维法律智能体测试第 1,为 25.00%;瓦尔斯AI 金融智能体测试第 3(共 79 个),但 Vals Index 上仅 46.61%,每次测试 $4.08(一个来源)。

    已列入: Claude, Meta, DeepSeek. 未列入: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    在各自榜单中的名次: Claude: 5 · Meta: 查看列表 · DeepSeek: 7

    每个 AI 的看法 3
    • Claude第 5 名

      Meta 称其在工具使用上胜过 Kimi K3,但在编程上落后:Terminal-Bench 2.1 上为76.4分,Kimi K3 为85.0分。

      来源 ↗
    • Meta

      在它自己的列表中名称不同:请打开完整列表。

      查看列表
    • DeepSeek第 7 名

      在瓦尔斯AI 的哈维法律智能体基准上以25.00%排名第一,但其 $20M MaaS 转售触发线意味着,法律科技平台在为客户托管它之前,需要另行签约。

    3 个 AI 列入此名次
  8. 8

    GLM-5.3 Flash(智谱AI)

    采用 MIT 许可的经济型智能体:Vals Index 上为 47.22%,每百万 token $0.15/$0.50。其 Terminal-Bench 2.1 上的 84.3 分是厂商自己公布的数字。

    已列入: Meta, DeepSeek. 未列入: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    在各自榜单中的名次: Meta: 4 · DeepSeek: 9

    每个 AI 的看法 2
    • Meta第 4 名

      MIT,$0.15/$0.50,Terminal-Bench 2.1 厂商数据 84.3,单机运行开放智能体的成本最低

      来源 ↗
    • DeepSeek第 9 名

      在 AA v5 上只得23分,但 OpenMDW-1.1 公开了权重、训练数据和训练配方——是最透明的长时间运行智能体模型,每百万 token 价格为 $0.60/$2.60。

    2 个 AI 列入此名次
  9. 9

    英伟达 Nemotron 3.5 Bolt 74B

    最轻量的选择:74B 参数,其中 9B 活跃,2 比特量化后可装入 24 GB 显卡。其 Terminal-Bench 2.1 上的 50.98 分是英伟达自己的数字,尚无独立分数。

    已列入: Claude, Meta. 未列入: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    在各自榜单中的名次: Claude: 8 · Meta: 10

    每个 AI 的看法 2
    • Claude第 8 名

      这一组中最轻的:74B 参数,激活 9B,2比特量化后可装进 24 GB 显存。

    • Meta第 10 名

      最适合美国硬件的选择——Gemma 31B 在 LMArena 上得1452,Nemotron 总参数74B、激活9B,可装进24GB显卡,采用 Apache 2.0 加英伟达开放许可

      来源 ↗
    2 个 AI 列入此名次
  10. 10

    深度求索 V4 Pro

    CyberGym-E2E 上为 76%,在 840 项对抗性任务中零拒绝,接近米斯特拉尔的 79%,采用 MIT 许可。目前只有一个来源报告此结果。

    已列入: Meta. 未列入: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    在各自榜单中的名次: Meta: 7

    每个 AI 的看法 1
    • Meta第 7 名

      MIT,在840项对抗性安全任务上零拒绝,CyberGym-E2E 76%,米斯特拉尔 Large 4 为79%,每次成功的成本减半

      来源 ↗
    1 个 AI 列入此名次

前三名详解 ↓

02前三名详解

榜单在上方。这里进一步介绍排名前三的对象:它们是什么、为什么上榜、有哪些值得了解的事。

这三者的衡量方式并不相同:米斯特拉尔的排名取决于其网络安全宣称与独立测试结果的接近程度;另外两家则依据 Vals Index 分数和每次测试的价格来评判,而这些数据因服务商而异。

1米斯特拉尔 Large 4

第 1 名 — 米斯特拉尔 Large 4. 8 个 AI 中有 7 个将其列入榜单;在其中的中位名次:3. AI 把它排在第一,因为它的网络安全宣称与独立测试实测结果的差距最小,尽管它的其他分数较弱。

你知道吗

  • 米斯特拉尔 7B 于 2023 年 9 月 27 日以 BitTorrent 磁力链接的形式发布,而不是普通的下载页面。Mixtral 8x7B(2023 年 12 月)和 Mixtral 8x22B(2024 年 4 月)也曾以种子链接的形式在推特上分享。

它是什么
一款可用于智能体的大型米斯特拉尔模型,承诺开放权重。
它的优势
其网络安全宣称约为 82%,与独立测试结果最为接近。
适合谁
适合重视诚实宣称的安全团队;不适合需要低成本或高速度的用户。
  • Vals Index 分数Vals Index 上第 32 名(共 44 个)
你知道吗
  • 米斯特拉尔 2023 年 6 月的首轮融资为 1.05 亿欧元(1.17 亿美元)。金融时报估计该公司的估值为 2.4 亿欧元,而公司当时成立还不到两个月。

历史
  • 2026 年 10 月 6 日,米斯特拉尔面向公众开放了 Mistral Large 4 的预览。它表示,可下载的权重将在 10 月底前发布,届时会先完成更多安全工作。文章称,这一安全步骤尚未完成。

需要注意
  • 它在回答前会反复思考,因此用词很多。一项测试统计,它的输出约为 2 亿个 token,而中位数约为 8100 万个。在长提示词上,首个 token 耗时约 18.7 秒。

  • 它在 Artificial Analysis Intelligence Index 上得分 38.4,排在 Kimi K3 和 Qwen 3.8 Max 之后。其幻觉率为 41.9%。像深度求索 V4.1 Flash 这样更便宜的模型,得分与其相当,而每项任务的成本则低得多。

进一步了解
  • 先打开米斯特拉尔 Large 4 的发布公告,并先读厂商的基准测试列表,从 82% 的网络安全宣称看起。页面写着开放权重原定于月底前发布,因此请核实它是否已经放出。

比较前三名 ↓

2深度求索 V4.1 Flash

第 2 名 — 深度求索 V4.1 Flash. 8 个 AI 中有 5 个将其列入榜单;在其中的中位名次:1. AI 把它排在第二,因为它以较低的每次测试价格取得了开源模型中最好的 Vals Index 分数,尽管 Terminal-Bench 的成绩参差不齐。

你知道吗

  • 尽管名字里有“Flash”,该模型的总参数约为 5520 亿。读取提示词时每个 token 仅激活约 80 亿参数,生成答案时约激活 160 亿,因此运行成本很低。

它是什么
一款廉价快速的深度求索模型,拥有可处理长文本的超大内存。
它的优势
在 Vals Index 上它领先所有开源模型,而每次测试的成本低得多。
适合谁
适合想以低成本获得强劲结果的程序员;不适合需要每项测试都稳定发挥的用户。
  • Vals Index 分数61.26%,每次测试 0.66 美元
你知道吗
  • 深度求索 V4.1 Flash 一次可读取约 100 万个 token,大致相当于几部长篇小说。它也可在一次回答中写出多达 384K 个 token,不过具体上限因服务商而异。

历史
  • 深度求索 V4.1 Flash 于 2026 年 9 月 10 日发布。其发布页面称它“取代”了 V4 Flash 和 V4 Pro。页面没有说明这两个旧模型是否已经停用。

需要注意
  • 那些亮眼的分数来自深度求索自己,尚未经过独立核实。在《人类最后的考试》这项高难度学术测试中,它得分 36.8,而 Opus 5 得分 56.3。在 Terminal-Bench 3.0 上,它也落后于美国模型。

进一步了解
  • 先打开瓦尔斯AI的页面,先看 Terminal-Bench 4.0 的分数。该测试上显示为 19.70%,因此请与同一页面上的 2.1 版结果对比,看看数字为何不同。

ChatGPT, Meta, DeepSeek 把它排在第一。它们看到了什么
  • ChatGPT: 其在 FrontierCode 上独立测得的完成率为28%,在已发布的开放权重中居首;有一家被测服务商每次综合智能测试尝试收费 $0.37。

  • Meta: Vals Index 开放模型第一,61.26%,每次测试 $0.66,Sonnet 5.5 为 $18.70——便宜28倍;Terminal-Bench 2.1 厂商数据 90.6,独立测得 31.8

  • DeepSeek: 独立测得瓦尔斯指数 61.26%,每次测试 $0.66——但其厂商宣称的 DeepSWE 74.2 在瓦尔斯AI 独立测得的 Terminal-Bench 4.0 上跌至19.7%,是业内最大的信任差距之一。

比较前三名 ↓

3小米 MiMo-V2.6-Pro

第 3 名 — 小米 MiMo-V2.6-Pro. 8 个 AI 中有 5 个将其列入榜单;在其中的中位名次:5. AI 把它排在第三:Vals Index 分数扎实,价格很低,而它最好的成绩只有小米一家公布。

你知道吗

  • MiMo-V2.6-Pro 的总参数约为 1.02 万亿,但每个 token 仅激活 420 亿参数。其权重在 Hugging Face 上以 MIT 许可发布,允许商业使用。

它是什么
一款体量庞大的小米模型,采用 MIT 许可的开放权重,专为智能体工作而打造。
它的优势
三者中它每次测试的成本最低,为 0.13–0.24 美元。
适合谁
适合想要廉价开源模型的团队;不适合没有大型 GPU 服务器的用户。
  • Vals Index 分数57.81–59.5%,每次测试 0.13–0.24 美元
你知道吗
  • 据报道,此次发布不仅包括权重,还包括训练代码和强化学习环境。这比单纯的模型下载少见。

历史
  • MiMo-V2.6 于 2026 年推出后,智能体用户发现它有时会反复发出同一个工具调用,看似忙碌却毫无进展。小米后来的 MOPD 检查点正是针对这一问题进行衡量的。

需要注意
  • 自行部署它的负担很重:“在计算 KV cache 之前,你需要约 573 GB 的权重载入 GPU 显存。”指南称,实际上这意味着需要 8 块 H200 显卡。

  • 那些高分的智能体成绩来自小米自己,是在其自家的测试环境中测得的。指南称,小米之外“没有人能复现”其内部测试结果。它的输出也很啰嗦:整套评测共产生 1.4 亿个输出 token。

进一步了解
  • 先看模型卡中的基准测试表,再看推荐设置。那里的分数是小米自己公布的,因此在依赖之前,请先与瓦尔斯AI这类独立结果核对。

比较前三名 ↓

前三名对比

米斯特拉尔 Large 4深度求索 V4.1 Flash小米 MiMo-V2.6-Pro
进入 AI 榜单7 / 85 / 85 / 8
Vals Index 分数Vals Index 上第 32 名(共 44 个)61.26%,每次测试 0.66 美元57.81–59.5%,每次测试 0.13–0.24 美元
排第一的 AI—ChatGPT, Meta, DeepSeek—

AI 数量相同的名次,按其在各 AI 榜单中的平均名次排序。

03值得了解

AI 在编制榜单时注意到的内容。

测试框架对智能体分数的影响与模型本身一样大:同一模型在标准框架下 SWE-Bench Pro 得 45.9%,用厂商自己的智能体则为 55.4%。

提及者:
已列入: Claude, DeepSeek. 未列入: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
来源 ↗

厂商公布的 Terminal-Bench 2.1 分数在 76–90 之间,而独立的 Terminal-Bench 4.0 测试结果大约在 20–41%。版本不同,这种差距是一种警示,而非测量结果。

提及者:
已列入: Claude, Meta, DeepSeek. 未列入: ChatGPT, Gemini, Nova, Wenxin, Qwen.
来源 ↗

米斯特拉尔 Large 4 在 Vibe Code 上得 81.56%,但在 Terminal-Bench 4.0 上只有 26.26%;在 Vals Legal Index 上得 67.68%,但作为法律智能体只有 15.83%。懂得材料,不等于能完成任务。

提及者:
已列入: ChatGPT, Gemini. 未列入: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
来源 ↗

米斯特拉尔的网络安全宣称,是发布数字与独立测试罕见的接近(约 82% 对 81.7%),但其领先部分来自闭源模型拒绝执行这些任务。

提及者:
已列入: Claude, Meta, Qwen. 未列入: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
来源 ↗

深度求索 V4.1 Flash 每次 Vals 测试成本为 $0.66,而 Claude Sonnet 5.5 为 $18.70,便宜约 28 倍,准确率仅低约 9 个百分点。

提及者:
已列入: Meta, DeepSeek. 未列入: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
来源 ↗

04大家常问的问题

AI模型与AI智能体有何区别?

模型是训练好的神经网络;智能体则是这个模型加上框架、工具和记忆,循环运行。仅框架就能让分数从 45.9% 变为 55.4%。

来源 ↗
最好的智能体用AI模型是哪个?

在开放权重中,深度求索 V4.1 Flash 以每次测试 $0.66、61.26% 领先 Vals Index。法律智能体方面,Muse Spark Open 在哈维的基准测试中以 25.00% 居首。

来源 ↗
最适合 Hermes Agent 的AI模型是哪个?

努斯研究没有指定官方默认模型,各方指南也不一致(Kimi K3、GLM-5.2、MiniMax M3,以及用于本地的小型 Qwen)。请在你自己的 Hermes 框架中测试。

来源 ↗
为什么厂商的智能体分数与独立分数不同?

厂商报告的是其最佳框架与设置,而且常常是较旧的测试版本。深度求索厂商公布的 Terminal-Bench 4.0 成绩为 42.3%,而瓦尔斯AI 测得 31.8%。

来源 ↗

05我们如何统计

用大白话讲,不用公式。

1问题

十大开放权重AI智能体模型:谁真正完成任务,而非谁赢得新闻稿

2为什么选这个话题

正在搭建智能体的人,可以看到哪些开放模型在厂商自家实验室之外依然可靠,以及发布会标题与独立测试在哪里不一致。

3适用范围

全球用于编程、网络安全和法律工作的开放权重智能体模型

4考量标准

  • 独立基准上的智能体任务完成率
  • 厂商报告的智能体分数与最接近的独立分数之间的差距
  • 完成一项任务的成本
  • 模型规模与运行所需硬件
  • 瓦尔斯AI(Vals Index、哈维法律智能体基准、Terminal-Bench 4.0、Finance Agent)—— 专业智能体任务的独立准确率,并附每次测试的成本
  • Artificial Analysis(FrontierCode 2.0、Coding Agent Index、Cyber Index)—— 编程与网络安全智能体任务的独立完成情况,并附每次测试尝试的成本
  • 厂商报告的智能体分数 —— 发布当日的自报结果(CyberGym、Cybench、DeepSWE、Terminal-Bench 2.1),使用各厂商自己的框架测得
  • 模型规模与硬件 —— 总参数与活跃参数,以及运行该模型所需的 GPU

5谁来排名

领先的 AI:Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen。每个 AI 独立编制自己的十项榜单,并为每个名次注明来源。

6名次如何确定

不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前,它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的,没有任何人工添加。

06各个 AI 的单独榜单

🇺🇸 Claude10 个名次 · 3 条备注

同一个问题,仅由 Claude 回答。上方的最终榜单综合了所有 AI。

  1. 1
    GLM-5.3(智谱AI,2026)

    智谱AI公布了其测试方法(Claude Code 2.1.207,在1,507项 CyberGym 任务上的 pass@1),以便任何人质疑其84.5分的结果,但目前尚无独立机构这样做。

  2. 2
    米斯特拉尔 Large 4(2026)

    其网络安全宣称的差距最小:米斯特拉尔称 CyberGym-E2E 上约为82%,一项独立指数测得为81.7%。

    来源 ↗
  3. 3
    深度求索 V4.1 Flash(2026)

    米斯特拉尔的图表没有把它列进去,而 Reflection AI 的表格显示,它在 DeepSWE 上高于 Large 4(74.2% 对 61.7%)。

    来源 ↗
  4. 4
    Kimi K3(月之暗面,2026)

    它在 Terminal-Bench 2.1 上的88.3分是月之暗面自己公布的,而 Meta 的表格列出的是85.0分,权重文件占用1.4 TB。

    来源 ↗
  5. 5
    Muse Spark Open(Meta,2026)

    Meta 称其在工具使用上胜过 Kimi K3,但在编程上落后:Terminal-Bench 2.1 上为76.4分,Kimi K3 为85.0分。

    来源 ↗
  6. 6
    Qwen3.8-2.4T-A95B(阿里巴巴,2026)

    92.6 分的 GPQA 成绩针对的是 Max 版本,而不是可下载的检查点。

  7. 7
    MiMo-V2.6-Pro(小米,2026)

    瓦尔斯AI 的一篇文章标题称,它的成本比 Claude Opus 5.5 低约100倍。

  8. 8
    Nemotron 3.5 Bolt 74B-A9B(英伟达,2026)

    这一组中最轻的:74B 参数,激活 9B,2比特量化后可装进 24 GB 显存。

  9. 9
    Qwen3.8 27B(阿里巴巴,2026)

    一个笔记本级的智能体大脑,旧指数得34分,但 v5 上只有20分。

    来源 ↗
  10. 10
    Kolibri-1(Aleph Alpha,2026)

    它可在两块 80 GB 的 A100 上运行,但在 Terminal-Bench 2.1 上只得27.7分,这还是它自己公布的数字。

Claude 注意到的内容

米斯特拉尔的网络安全宣称是唯一一处发布当天的数字与独立测量结果几乎吻合的地方(宣称约82%,实测81.7%)。但这一论点部分依赖于闭源模型拒绝执行这些任务,而一旦权重公开,这一差距或许会缩小。

测试框架的选择对智能体分数的影响,和模型本身一样大。某个模型在标准脚手架下于 SWE-Bench Pro 上得45.9%,在其厂商自己的智能体下得55.4%;Scale AI 则发现三个智能体之间相差5.2分。

厂商公布的开放模型 Terminal-Bench 2.1 成绩为76至88分,而 Terminal-Bench 2 上最佳的开放框架记录是51.9%。两者使用的版本和测试框架不同,因此这一差距是一种警示,而不是一次测量。

🇺🇸 ChatGPT10 个名次 · 2 条备注

同一个问题,仅由 ChatGPT 回答。上方的最终榜单综合了所有 AI。

  1. 1
    深度求索 V4.1 Flash 1017(2026)

    其在 FrontierCode 上独立测得的完成率为28%,在已发布的开放权重中居首;有一家被测服务商每次综合智能测试尝试收费 $0.37。

    来源 ↗
  2. 2
    GLM-5.3(2026,智谱AI)

    智能指数与深度求索的32分持平,但在一家经独立测量的服务商处,每次智能测试尝试的成本为 $2.53。

    来源 ↗
  3. 3
    MiMo-V2.6-Pro(2026,小米)

    综合了瓦尔斯AI 专业准确率 57.81% 与 GMI 报告的每次智能测试尝试 $0.24 的成本。

    来源 ↗
  4. 4
    米斯特拉尔 Large 4 OSS(2026,法国)

    其在 Vibe Code 上独立测得81.56%,而在 Terminal-Bench 4.0 上仅为26.26%:任务选取会彻底改变结论。

  5. 5
    MiMo-V2.6-Flash(2026,小米)

    在 GMI 上每次智能测试尝试 $0.11,对于需要反复重试智能体的场景,它是低成本的候选。

    来源 ↗
  6. 6
    Ling 3.1 Flash 1019(2026)

    它的智能得分29分、激活参数250亿,使其跻身更强的高效智能体候选之列。

    来源 ↗
  7. 7
    Step 5 Preview(2026,阶跃星辰)

    它的29分指数与 Ling 持平,但其约每百万混合 token $0.50 的价格削弱了反复尝试的经济性。

    来源 ↗
  8. 8
    Kimi K3(2026,月之暗面)

    其在人类偏好测试中表现出色,值得用作规划或审阅智能体来试用,但这并不能证明它能完整跑通工具工作流。

  9. 9
    稀宇科技-M3.1-Flash(2026)

    29分的智能得分和每次测试尝试 $0.42 的实测成本让它很有意思,不过部署权利仍不明确。

    来源 ↗
  10. 10
    米斯特拉尔 Large 3(2025–2026)

    当企业需要为客户托管智能体,又不想受 Large 4 的模型即服务例外条款约束时,Apache 2.0 在运营上更有优势。

    来源 ↗

ChatGPT 注意到的内容

在 FrontierCode 2.0 上,最好的已发布开放权重模型达到28%,而 Claude Opus 5.5 为46%。这18分的差距直接提醒人们:不能把通用智能等同于自主编程的可靠性。

如果便宜的模型失败得多,那么每次 $0.11 的测试尝试并不自动比每次 $0.37 的更省钱。要算清完成任务的经济账,就必须衡量重试次数和人工修复的成本。

🇺🇸 Meta10 个名次 · 4 条备注

同一个问题,仅由 Meta 回答。上方的最终榜单综合了所有 AI。

  1. 1
    深度求索 V4.1 Flash 1017(2026,中国)

    Vals Index 开放模型第一,61.26%,每次测试 $0.66,Sonnet 5.5 为 $18.70——便宜28倍;Terminal-Bench 2.1 厂商数据 90.6,独立测得 31.8

    来源 ↗
  2. 2
    小米 MiMo-V2.6-Pro(2026,中国)

    Terminal-Bench 2.1 得89.9,略高于 Claude Opus 5 的89.1;DeepSWE v1.1 得71.9;CyberGym 94%;每个智能任务 $0.13

    来源 ↗
  3. 3
    智谱AI GLM-5.3(2026,中国)

    CyberGym 白盒 84.5%——在技术上领先 Claude Mythos 5 的83.8%;DeepSWE 66.9%,此前为46.2;Terminal-Bench 4.0 为40%

    来源 ↗
  4. 4
    智谱AI GLM-5.3 Flash(2026,中国)

    MIT,$0.15/$0.50,Terminal-Bench 2.1 厂商数据 84.3,单机运行开放智能体的成本最低

    来源 ↗
  5. 5
    米斯特拉尔 Large 4 Le Chonk(2026,法国)

    厂商数据:Cybench 93%,漏洞修补 82%,DeepSWE v1.1 61.7%——独立测得 Terminal-Bench 4.0 为41%,Coding Agent Index 为48%,且使用的 token 减少47%

    来源 ↗
  6. 6
    月之暗面 Kimi K3(2026,中国)

    Vals Index 上开放模型最高,57%;LMArena 1488;K3.1 Pro 在 v5 中 Terminal-Bench 4.0 得67%——开放模型中最好的终端成绩

    来源 ↗
  7. 7
    深度求索 V4 Pro 0813(2026,中国)

    MIT,在840项对抗性安全任务上零拒绝,CyberGym-E2E 76%,米斯特拉尔 Large 4 为79%,每次成功的成本减半

    来源 ↗
  8. 8
    阿里巴巴 Qwen3.8-2.4T-A95B Max(2026,中国)

    总参数2.4T,激活95B,定制的 $50M MaaS 门槛,IOI 68.89%;同系列 Apache 的27B版本是干净的许可备选

    来源 ↗
  9. 9
    稀宇科技 M3.1 Flash(2026,中国)

    总参数428B、激活23B 的 MoE,$0.075/$0.30,最便宜的前沿智能体,智能指数43分,权重10月23日已在 Hugging Face 上发布

    来源 ↗
  10. 10
    谷歌 Gemma 4 31B / 英伟达 Nemotron 3.5 Bolt 74B(2026,美国)

    最适合美国硬件的选择——Gemma 31B 在 LMArena 上得1452,Nemotron 总参数74B、激活9B,可装进24GB显卡,采用 Apache 2.0 加英伟达开放许可

    来源 ↗

Meta 注意到的内容

信任差距超过10分:DeepSeek V4.1 Flash 厂商数据 Terminal-Bench 4.0 为42.3%,瓦尔斯AI 独立测得 31.8%;米斯特拉尔 Large 4 厂商数据漏洞修补为82%,独立测得的 Terminal-Bench 4.0 为41%——发布时的宣称比独立复测高出20分

每个完成任务的成本:DeepSeek V4.1 Flash(1017)每次 Vals 测试 $0.66,而 Claude Sonnet 5.5 为 $18.70,Opus 5.5 为 $28.12——便宜28倍和42倍,准确率只低9分

CyberGym 已趋于饱和:GLM-5.3 为84.5%,Claude Mythos 5 为83.8%,GPT-5.6 Sol 为83.6%,三者相差在7.3分以内——能力差距在标题百分比中看不出来

Terminal-Bench 是拉开差距的关键:最好的开放模型 Kimi K3.1 Pro 为67%,而已发布的最佳 DeepSeek V4.1 Flash 在 FrontierCode 上为28%,在 Terminal-Bench-Science 上为13%,大多数开放模型都低于10%

🇺🇸 Gemini10 个名次

同一个问题,仅由 Gemini 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Qwen 2.5 Coder 32B Instruct(阿里巴巴,中国)

    在行业中信任差距最小(不到4个百分点),在消费级硬件上只需几分钱就能完成复杂的编程智能体运行。

    来源 ↗
  2. 2
    深度求索-V3(中国,2024–2026)

    兼顾庞大的671B MoE 工具调用能力、低于5%的极小信任差距,以及几乎可以忽略的 API 调用定价。

    来源 ↗
  3. 3
    Llama 3.3 70B Instruct(Meta,美国)

    完成92%的函数调用序列且没有语法退化,与 Meta 白皮书的声称只相差5.1%的小幅偏差。

  4. 4
    Nous Hermes 3 - 70B(努斯研究,美国)

    专为自主智能体操控和 JSON 函数执行而设计,在50步的运行中几乎不出现提示词漂移。

    来源 ↗
  5. 5
    米斯特拉尔 Large 4(米斯特拉尔AI,法国,2026)

    宣称在 CyberGym-E2E 上达到令人惊叹的82%,在 DeepSWE v1.1 上达到61.7%,但在哈维的独立法律智能体基准上跌至15.83%。

    来源 ↗
  6. 6
    Llama 3.1 405B Instruct(Meta,美国)

    开放权重中原始推理空间最大,但运行一个智能体线程就需要一台8块GPU的数据中心节点。

  7. 7
    深度求索-Coder-V2.5(中国)

    一个可靠的自动化漏洞猎手,其16B激活参数的 MoE 设计把完成一次编程补丁的成本压低到 $0.05。

    来源 ↗
  8. 8
    Qwen 2.5 72B Instruct(阿里巴巴,中国)

    一款可靠的通用智能体,支持多智能体编排器,128k 上下文下运行稳定,几乎不出现解析失败。

    来源 ↗
  9. 9
    Devstral 24B / Mistral NeMo(米斯特拉尔AI,法国)

    米斯特拉尔灵巧的本地智能体,能可靠地执行 IDE 终端命令,且不会耗尽企业的云端额度。

    来源 ↗
  10. 10
    GLM-4 9B Chat(智谱AI,中国)

    移动端和边缘端智能体的入门之选,在16GB内存的限制下就能解析网页浏览操作。

    来源 ↗
🇨🇳 Wenxin10 个名次 · 1 条备注

同一个问题,仅由 Wenxin 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Meta Llama 4 Maverick 405B(2026)

    405B 智能体猛兽——但要让它完成一项任务,需要8块 H100 和12k 美元的硬件

  2. 2
    深度求索-V3.2 671B(2025/2026)

    MoE 技巧把激活参数压到约37B——想得大,花得少的智能体

  3. 3
    米斯特拉尔 Large 4 123B(米斯特拉尔AI,法国,2026)

    123B 智能体的分数纸面上很好看——但独立测试显示有20分的差距

    来源 ↗
  4. 4
    Qwen3 235B-A22B MoE(阿里巴巴,2026)

    推理时激活22B——一个你真正负担得起、可以全天候运行的智能体

    来源 ↗
  5. 5
    Falcon 3 180B(TII,阿拉伯联合酋长国,2026)

    180B 通才——还不错的智能体,但不是你需要的代码或法律专家

  6. 6
    英伟达 Nemotron 4 340B(2025/2026)

    英伟达自家的智能体模型——用来展示他们芯片的,不是为你的预算设计的

  7. 7
    微软 Phi-4 14B(2025/2026)

    14B 跑在笔记本上——你煮咖啡的时候它就跑完了

  8. 8
    Cohere Command R+ 104B(2025/2026)

    为企业 RAG 智能体而生——但只有不打算卖它的时候才算“开放”

    来源 ↗
  9. 9
    Stability AI Stable Code 3 15B(2026)

    15B 代码智能体——擅长处理 GitHub 工单,但帮不了你报税

  10. 10
    谷歌 Gemma 3 27B(2026)

    27B 通用智能体——以十分之一的成本,足以应付80%的任务

    来源 ↗

Wenxin 注意到的内容

DeepSeek-V3.2 自托管的成本低于每百万 token 1 美元,是最便宜的前五智能体模型——而且它是 MoE,因此每个 token 只激活约37B参数

🇨🇳 DeepSeek10 个名次 · 1 条备注

同一个问题,仅由 DeepSeek 回答。上方的最终榜单综合了所有 AI。

  1. 1
    深度求索 V4.1 Flash 1017(2026)

    独立测得瓦尔斯指数 61.26%,每次测试 $0.66——但其厂商宣称的 DeepSWE 74.2 在瓦尔斯AI 独立测得的 Terminal-Bench 4.0 上跌至19.7%,是业内最大的信任差距之一。

  2. 2
    GLM-5.3(2026)

    瓦尔斯AI 的编程类别给它打了64.3分——开放权重编程智能体中的最高分——其独立数据也比大多数经得起检验,但它的许可争议对任何为客户托管智能体的人都很要紧。

    来源 ↗
  3. 3
    米斯特拉尔 Large 4(Le Chonk,2026)

    米斯特拉尔发布时宣称 CyberGym-E2E 82%、Cybench 93%、DeepSWE 61.7%——但独立的 Cyber Index 测试给出的约为51%,相差约31分的信任差距,是安全智能体买家最关键的数字。

    来源 ↗
  4. 4
    Kimi K3(月之暗面,2026)

    独立测得瓦尔斯分数 57.8%,LMArena 开放权重 Elo 为1,487,但 $20M 营收触发线和1亿月活用户上限意味着,智能体平台必须为一笔商业交易做预算,而不只是为 GPU 做预算。

    来源 ↗
  5. 5
    MiMo-V2.6-Pro(小米,2026)

    独立测得瓦尔斯分数 59.5%,采用完整 MIT 许可,每百万 token 价格为 $0.435/$0.87——在真正宽松的模型中,完成单个任务的成本最优。

    来源 ↗
  6. 6
    Qwen 3.8 Max(阿里巴巴,2026)

    编程智能体成绩很强(厂商测试中 Terminal-Bench 2.1 得67.4),但为与之竞争的 MaaS 和编程助手类业务设有 $50M 营收门槛——为客户托管它的智能体平台必须规划一笔商业交易。

    来源 ↗
  7. 7
    Muse Spark Open(Meta,2026)

    在瓦尔斯AI 的哈维法律智能体基准上以25.00%排名第一,但其 $20M MaaS 转售触发线意味着,法律科技平台在为客户托管它之前,需要另行签约。

  8. 8
    Step 5 Preview(阶跃星辰,2026)

    在 AA v5 上得29分,上下文为100万 token,采用600B MoE 设计,但阶跃星辰的 StepFun Model License 1.0 设有 OEM 和 MaaS 条件,即便权重可以下载,也可能阻碍智能体部署。

  9. 9
    Nemotron 3 Ultra(英伟达,2026)

    在 AA v5 上只得23分,但 OpenMDW-1.1 公开了权重、训练数据和训练配方——是最透明的长时间运行智能体模型,每百万 token 价格为 $0.60/$2.60。

  10. 10
    Beam 1.0(Reflection AI,2026)

    在 AA v5 上得30分,在 AutomationBench-AA 上得48.5%——对智能体工作流很强——但在 Terminal-Bench 4.0 上只有3.0%,所以它能完成的是知识工作类智能体,而不是终端智能体。

DeepSeek 注意到的内容

只要给够交互轮次,开放权重智能体就能以不到十分之一的成本达到闭源模型的水平——这一发现改变了安全和法律智能体团队“购买还是自建”的算盘。

🇨🇳 Qwen10 个名次 · 2 条备注

同一个问题,仅由 Qwen 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Kimi K3.1 Pro

    月之暗面的智能体完成了真实黑客任务的94.7%,它的独立成绩与其他所有人的新闻稿相比,差距巨大。

    来源 ↗
  2. 2
    深度求索 V4.1

    这款 MIT 许可的主力,以美国前沿模型一小部分的成本完成复杂的多文件编程智能体任务。

  3. 3
    米斯特拉尔 Large 4

    米斯特拉尔宣称 CyberGym 为82%、DeepSWE 为61.7%,但独立测试人员测得 81.7% 和 60%,显示出一种罕见的“诚实”信任差距。

    来源 ↗
  4. 4
    GLM-5.1

    专门针对哈维的法律智能体基准做了后训练,起草和审阅合同的速度快过任何通用模型。

  5. 5
    Qwen 3.8 Max

    阿里巴巴的智能体编排器在亚洲的法律和金融工作流中占据主导,不过其 $50M 营收许可上限拖慢了全球 SaaS 的采用。

  6. 6
    Llama 3.3 405B

    Meta 庞大的上下文窗口让它能在内存中装下整个代码库,适用于长周期重构智能体。

  7. 7
    Yi-Lightning

    零一万物的轻量级智能体运行在廉价的云端 GPU 上,使其成为搭建自动化客服闭环的初创公司的默认之选。

    来源 ↗
  8. 8
    MiMo

    一个专门的推理智能体,在数学密集型编程任务上胜过通用模型,且无需100B参数的体量。

    来源 ↗
  9. 9
    Phi-4

    微软的小型智能体擅长本地设备上的安全扫描,在那些把代码发送到云端就违规的场景里尤其合适。

    来源 ↗
  10. 10
    InternLM 3

    上海人工智能实验室的智能体框架内置工具调用追踪功能,使其成为经过审计的金融编排的首选。

    来源 ↗

Qwen 注意到的内容

AI 智能体的“信任差距”正在缩小:米斯特拉尔 Large 4 的厂商宣称(CyberGym 上82%)与独立测试(81.7%)几乎一致,在一个充斥着挑选数据的基准测试的领域里,这是难得的透明时刻。

硬件效率是智能体的新护城河:Phi-4 和 Yi-Lightning 让初创公司能在一张 RTX 4090 上全天候运行自主安全扫描,完全绕开云端 API 的速率限制。