2026年最佳智能体AI模型：按测试、投票与使用排名的十强

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
   Claude Mythos 5（Anthropic）

   它登上Swfte 2026年10月排行榜首位。此前的Mythos Preview在SWE-bench Pro上以77.8%领先，比列出的下一名模型高出约20个百分点。

   来源 ↗
2. 2
   Claude Opus 5.5（Anthropic）

   截至2026年10月17日，它位列LMArena WebDev榜首，因此是实用的编程首选。

   来源 ↗
3. 3
   Gemini 4 Argon（谷歌）

   它在LMArena Text的人类投票中领先，但1524±9的分数仍属初步结果。

   来源 ↗
4. 4
   Claude Opus 4.8（Anthropic）

   一份2026年6月的指南给出它在SWE-bench Verified上为88.6%，在更难的Pro版上为69.2%。该指南没有说明这是排行榜结果还是厂商数据。

   来源 ↗
5. 5
   DeepSeek V4.1 Flash

   在2026年10月20日的报告中，它在OpenRouter上仍以32.8万亿 tokens居首，不过其用量下降了20%。

6. 6
   GPT-5.4（OpenAI）

   它在SWE-bench Pro上为57.7%（BenchLM，2026年4月）。我没有找到2026年10月的OpenAI数据，所以这是我能核实到的它的最后排名。

   来源 ↗
7. 7
   GLM-5.1（智谱AI）

   它是开放权重模型，在SWE-bench Pro上得分58.4%，在BenchLM表中领先GPT-5.4。

   来源 ↗
8. 8
   GLM 5.3 Flash（智谱AI）

   它在OpenRouter上保持在12.2万亿 tokens的水平，而DeepSeek下滑；它是智能体开发者选择的廉价档模型。

9. 9
   Kimi K2.6（月之暗面）

   资料称它是2026年智能体工作最强的开放权重选择。我无法确认具体分数。

   来源 ↗
10. 10
    MiMo V2.5 Pro（小米）

    据报道它在SWE-bench Pro上领先，用于智能体编程，但这是小米自己的说法，我无法独立核实。

    来源 ↗

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
   Claude Opus 5.5（2026）

   30天内OpenRouter处理了26.6万亿 tokens：这是一款高端模型，尽管有更便宜的替代品，仍有可观的实际需求。

   来源 ↗
2. 2
   GPT-6.1 Sol（2026）

   它是前沿的编排候选者，但其采用情况比以token消耗为主、主导公共流量的廉价模型更难判断。

   来源 ↗
3. 3
   Claude Fable 5（2026）

   SWE-rebench上解决率为64.5%，每个问题$4.40：完成度强，但成本溢价明显。

4. 4
   GPT-6 Astra（2026）

   它的智能指数为56.9，超过GPT-6.1 Sol的54.5，但更强的综合得分并不能证明智能体执行更便宜。

   来源 ↗
5. 5
   DeepSeek V4.1 Flash（2026）

   30天内处理116万亿 tokens，已公布的推理价格起价为每百万输入tokens $0.13、输出$0.52。

   来源 ↗
6. 6
   GLM 5.3 Flash（2026）

   每月55.3万亿 tokens，使GLM的经济型Flash档在实际API流量上超过了许多更受关注的前沿模型。

   来源 ↗
7. 7
   Grok 4.5（2026）

   SWE-rebench上解决率63.8%，每个问题$1.47，使Grok成为有实力、性价比高的编程竞争者。

8. 8
   Gemini 4 Argon（2026）

   智能指数50.4，使谷歌的前沿模型保持竞争力，但仅凭综合能力无法判定智能体的可靠性。

   来源 ↗
9. 9
   Kimi K3 Max（2026）

   在一个以IT为重点的竞技场中，人类偏好评分1529，使Kimi接近Claude Fable 5的1540，尽管市场定位大不相同。

   来源 ↗
10. 10
    MiniMax M3（2026）

    SWE-rebench上解决率47.2%，每个问题$0.95，是成本更低的智能体选项，不过成功率落后于领先的前沿系统。

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
   Claude Opus 5.5（Anthropic，2026年9月22日）

   SWE-bench Pro得分89.9%，比Sonnet 5.5高8.6个百分点，但在OpenRouter上只有6.91万亿 tokens，而DeepSeek为47.8万亿；前沿质量，输入每百万tokens $4、输出$20。

2. 2
   Claude Sonnet 5.5（Anthropic，2026）

   SWE-bench Pro 81.3%，比Opus 5.5低8.6个百分点，价格减半为$2/$10，有2.61万亿 tokens，是日常智能体的最佳平衡。

3. 3
   Gemini 4 Carbon（谷歌DeepMind，2026年10月28日）

   LMArena Text竞技场1528 Elo居第一，比Opus 5.5高20分，胜率53%；基于4,403票的初步结果，智能指数59。

   来源 ↗
4. 4
   DeepSeek V4.1 Flash（深度求索，2026年10月17日快照）

   过去7天47.8万亿 tokens，占前20的29.4%；仅1017快照一项，前20中43.6%为DeepSeek模型，$0.30输入、$1.2输出。

5. 5
   GPT-6 Luna（OpenAI，2026）

   10.3万亿 tokens，在OpenRouter居第4，是最便宜的前沿模型，每百万输出$0.5；在OSWorld上每个智能体任务$0.07，而Fable 5.1为$14.19。

   来源 ↗
6. 6
   GLM 5.3 Flash（智谱AI，2026）

   15.7万亿 tokens，在OpenRouter居第2，每百万输出$0.5；开放权重在前50名tokens中的占比同比从27%升至72%。

7. 7
   Claude Fable 5.1（Anthropic，2026年9月1日）

   SWE-bench Pro 81.2%，仅比Sonnet 5.5低0.1个百分点；Verified上95.0%排第一，但每个任务$7.63，Astra为$3.26。

8. 8
   Gemini 4 Argon（谷歌，2026年10月）

   LMArena 1524 Elo排第2，与Carbon相差4分以内；High推理档，每百万输出$10，首发优惠价$2/$10，截至11月30日。

   来源 ↗
9. 9
   Kimi K3（月之暗面，2026）

   LMArena 1488排第18，是最佳开放权重：K3.1 Pro $3/$15，有1.97万亿 tokens；据Turiloop的预算之选，它在Arena全栈排名第一，得分1664。

   来源 ↗
10. 10
    Muse Spark 1.1（Meta，2026）

    在Scale官方公开排行榜上为61.5% ±3.1，是标准化得分最高的；每百万tokens $0.2，是前20中最便宜的，Contributor档。

    来源 ↗

同一个问题，仅由 Grok 回答。上方的最终榜单综合了所有 AI。

1. 1
   DeepSeek V4.1 Flash

   Hermes Agent本月让DeepSeek V4.1 Flash处理了11.8万亿 tokens，而在其上进行的一次长时间编程会话约花费$0.047。

   来源 ↗
2. 2
   Claude Opus 5.5

   盲测投票者在智能体任务上将Opus 5.5排第一，得分20.9，而一次长时间编程会话仍需约$1.39。

   来源 ↗
3. 3
   GLM 5.3

   Flash版本在本周流量中位居第二，达16.1万亿 tokens；而完整版GLM-5.3通过了272项私有SWE-Bench Pro V2任务中的211项。

   来源 ↗
4. 4
   GPT-6 Luna

   在GPT-6 Luna上一次长时间编程会话约花费$0.024，是OpenRouter比较中最便宜的，本周处理了10.9万亿 tokens。

   来源 ↗
5. 5
   Claude Opus 5

   Scale统计，对于Opus 5，642项公开SWE-Bench Pro V2任务中通过了638项，272项私有任务中通过了222项。

   来源 ↗
6. 6
   Gemini 4 Carbon

   投票者认为Gemini 4 Carbon日常问答第一、智能体任务第二，但它不在本周tokens前十之列。

   来源 ↗
7. 7
   Kimi K3

   在私有SWE-Bench Pro V2的统计中，Kimi K3解决了272项中的214项，比Opus 5少两项。

   来源 ↗
8. 8
   Gemini 4 Argon

   Gemini 4 Argon在公开Pro V2排行榜上为99.22%，比Opus 5落后0.18个百分点，而Scale称这一测试已接近上限。

   来源 ↗
9. 9
   Claude Sonnet 5.5

   在OpenRouter自己的订机票智能体测试中，Sonnet 5.5得分78.7%，高于Opus 5.5的75.5%，而token价格只有一半。

   来源 ↗
10. 10
    Muse Spark

    Muse Spark 1.1在Scale较早的私有SWE-Bench Pro排行榜上以61.5%领先，但它不在本周tokens前十之列。

    来源 ↗

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
   Claude 3.5 Sonnet

   在OpenRouter上处理了超过28%的智能体编程tokens，并在SWE-bench Verified上达到49%至54%的解决率，堪称基准的定义者。

   来源 ↗
2. 2
   OpenAI o1

   引入了原生的测试时推理计算，使自主软件修复在复杂SWE问题上超过48%，但每条推理链收取溢价。

3. 3
   DeepSeek-V3

   以约为前沿闭源模型十分之一的单token成本，提供了42%的SWE-bench能力，大幅压低了智能体编排的成本。

   来源 ↗
4. 4
   GPT-4o

   仍是多智能体监督者最通用的多模态骨干，承担约15%至20%的通用智能体流量，首个token的响应时间低于一秒。

5. 5
   Qwen 2.5 Coder 32B

   最好的本地智能体引擎，在SWE-bench上达到35%，能装进一台双GPU工作站，无需持续的云API费用。

   来源 ↗
6. 6
   Claude 3.5 Haiku

   是子智能体分拣和代码检查循环的首选“工蜂”，速度比Sonnet快3倍，推理能力却只有其40%。

   来源 ↗
7. 7
   Gemini 1.5 Pro

   能在单个200万 tokens的上下文窗口中装下整个多仓库代码库，绕开复杂RAG的碎片化问题，适合全面的智能体规划。

   来源 ↗
8. 8
   GPT-4o mini

   为高迭代的智能体状态检查器和摘要器提供动力，每百万输入tokens不到0.15美元，是高吞吐量商业集群的支柱。

9. 9
   Llama 3.1 405B

   企业开放权重的冠军，为主权本地部署提供不限量、符合隐私合规的智能体执行。

10. 10
    Nous Hermes 3（Llama-3.1-8B/70B）

    开放智能体社区最喜爱的微调版，适用于不受对齐约束的函数调用、JSON模式合规和自主多智能体模拟。

    来源 ↗

同一个问题，仅由 Kimi 回答。上方的最终榜单综合了所有 AI。

1. 1
   Claude Opus 5.5（Anthropic，2026年9月22日）

   智能体三冠王，价格只有旧旗舰的一半：SWE-bench Pro 89.9%，Arena WebDev排第一（1807），Agent Arena排第一（确认成功率21.4%）——并且这是首款定价为$4/$20而非$10/$50的Anthropic旗舰。

2. 2
   Claude Sonnet 5.5（Anthropic，2026年9月28日）

   开发者真正烧tokens的模型：在Terminal-Bench 4.0上得分70.6%，在LiveBench Coding上得分91.4，价格只有Opus的一半——前沿档中单位美元智能体得分最高。

   来源 ↗
3. 3
   GPT-6 Astra（OpenAI，2026年9月3日）

   人类投票的宠儿，tokens账单上的反派：Frontend Code Arena排第一（1793），WebDev排第二（1774），但定价$10/$50，是Opus 5.5价格的2.5倍；而OpenAI在实时智能体tokens中的占比仅为7.8%。

4. 4
   Kimi K3.1 Pro（月之暗面，2026年10月）

   开放权重的惊喜，在巨头自己的智能体测试中胜出：在独立的Terminal-Bench 4.0测试（10月23日）中以67.2%领先，超过除受网络安全限制的Gemini 4 Carbon之外的所有闭源模型——定价$2/$10。

   来源 ↗
5. 5
   Gemini 4 Argon（谷歌，2026年10月13日公开）

   人类的最爱，却输掉了实验室测试：LMArena文本排第一（1517.2），测得的幻觉率最低（4%），但在智能指数v5中只得50.4分，在可用模型中排第六。

   来源 ↗
6. 6
   GPT-6.1 Sol（OpenAI，2026年9月29日）

   Codex内的主力智能体：自10月7日起成为Codex CLI的默认模型，Terminal-Bench 4.0得分56.1%，接近Astra，价格只有Astra的五分之一，也是智能指数超过50的最便宜途径。

   来源 ↗
7. 7
   DeepSeek V4.1 Flash（深度求索，2026年9月10日，开源权重）

   tokens经济之王：按实时智能体tokens占比，DeepSeek以39.1%位居第一供应商，超过Anthropic和谷歌之和；而此模型的非高峰价格为$0.15/$0.60。

   来源 ↗
8. 8
   Grok 4.7（xAI，2026年9月21日）

   最便宜的类前沿智能体：$2/$6，EQ-Bench前十（2012.2），Grok Build框架在Terminal-Bench 4.0上达38%——但Arena的人类投票者把它的写作排在第78位，低于Grok 4.6。

9. 9
   GLM-5.3（智谱AI，开源权重）

   可自托管的主力：在已归档的SWE-bench Verified榜单上得分95.4%，高于Kimi K3的93.4%，采用普通的MIT许可证，托管价格为$1.19/$6。

10. 10
    Gemini 3.8 Flash（谷歌，2026年9月2日）

    智能体短跑选手：每秒输出308个tokens，价格$0.75/$3.75，上下文1M——适合放在高流量智能体循环后面，在那里Terminal-Bench上20分的差距值4倍的吞吐量。

    来源 ↗

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
   Claude Opus 5.5

   Claude Opus 5.5在厂商汇总的SWE-bench Pro排行榜上以89.9%居首，在Hermes智能体基准上为76.7%，是2026年10月最完整的“完成任务型”智能体模型，每个成功任务成本$4.19–$5.98。

   来源 ↗
2. 2
   Gemini 4 Argon

   Gemini 4 Argon是大众之选：LMArena文本以1517排第一，多轮对话为1544；每个成功任务仅需$1.80，约为Claude Opus 5.5成本的四分之一。

   来源 ↗
3. 3
   Claude Fable 5.1

   Claude Fable 5.1在LiveBench综合排名第一，得分88.0，在浏览器使用上拿到满分100，是最好的“电脑操作”智能体模型——但每个成功任务$5.10，是本组中最贵的。

4. 4
   GPT-6 Astra

   GPT-6 Astra是均衡的前沿智能体：LiveBench综合86.1，智能体项82.4，每个成功任务$3.81——在智能体任务上强于Gemini 4 Argon，又比Claude Fable 5.1便宜。

5. 5
   DeepSeek V4 Flash 0731

   DeepSeek V4 Flash是现实世界智能体的流量之王：OpenRouter上每周11.4万亿 tokens，每个成功任务成本$0.028——比Claude Fable 5.1便宜约180倍，但在高难度编程基准上仍落后于前沿模型。

   来源 ↗
6. 6
   Claude Sonnet 5.5

   Claude Sonnet 5.5给出Claude Opus 5.5 SWE-bench Pro得分的81.3%，而单任务成本约为其84%——是Claude家族中生产级智能体循环的性价比之选。

   来源 ↗
7. 7
   Muse Spark 1.1（Meta）

   Muse Spark 1.1拥有唯一标准化的SWE-bench Pro顶尖成绩：Scale公开集上61.5%；但其商业集上51.5%的得分表明，脚手架和数据划分能让这个数字变化多大。

8. 8
   Qwen3.8-Flash-Next

   Qwen3.8-Flash-Next是SWE-bench Pro上最好的开放权重智能体编程模型，得分62.5%，领先GLM-5.2的62.1%；其Flash兄弟版在LiveBench上每个成功任务约$0.196。

   来源 ↗
9. 9
   GLM-5.2

   GLM-5.2在SWE-bench Pro上以62.1%紧随Qwen3.8-Flash-Next之后，输出token价格为$2.40，是对成本敏感的智能体集群的第二好的开放权重选项。

10. 10
    Kimi K3

    Kimi K3为编排而生：可扩展到300个子智能体和4,000个协调步骤；当智能体的工作是管理其他智能体、而非亲自写每一行代码时，它是专业之选。

    来源 ↗

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
   OpenAI GPT-5 / o3（2026）

   SWE-bench Pro通过率71%，tokens负载最重——但每个任务的成本仍让开发者肉疼

   来源 ↗
2. 2
   Anthropic Claude 4 Opus（2026）

   LMArena人类投票Elo最高（1392），开发者在长上下文智能体运行中选它

   来源 ↗
3. 3
   谷歌 Gemini 2.5 Pro（2026）

   21%的token占比，多模态智能体得分强劲——谷歌押注原生工具使用

   来源 ↗
4. 4
   Meta Llama 4 405B（2026）

   开放权重之王：18%的token占比，开发者在本地部署运行它——但智能体编程仍落后于闭源模型

5. 5
   Mistral Large 3（2026）

   欧洲宠儿，token占比9%——在代码智能体上每美元表现超出其体量

6. 6
   xAI Grok 4（2026）

   token占比7%；速度快，但智能体编程仍落后——粉丝称赞其实时数据优势

7. 7
   DeepSeek V4（2026）

   中国开放模型，token占比6%；SWE-bench 55%，价格只相当于一杯咖啡

8. 8
   Cohere Command R+ 2026（专为智能体优化）

   为RAG和工具使用智能体而打造；token占比5%，但LangSmith评分位居前四分之一

9. 9
   微软 Phi-5（2026）

   小型端侧模型（7B参数），token占比3%——单token最快，但单任务并非最好

10. 10
    Stability AI Stable Code 3（2026）

    专门的代码模型，token占比2%；小众，但深受开源智能体开发者喜爱

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
   Claude Opus 5.5

   SWE-bench Pro上得分89.9%，领先整个市场，证明它能解决最多真实的GitHub问题。

   来源 ↗
2. 2
   Claude Sonnet 5.5

   对Hermes Agent来说最全面的模型，在Terminal-Bench 4.0上以70.6%应对长任务。

3. 3
   GPT-5.6 Sol

   以1485 Elo领先LMArena人类偏好投票，超过了在严格编程测试中得分更高的模型。

   来源 ↗
4. 4
   Claude Fable 5.1

   在SWE-bench Pro上达到81.2%，与Sonnet 5.5很接近，但每个完成任务的成本更低。

   来源 ↗
5. 5
   DeepSeek V4.1 Flash

   OpenRouter上处理了53.1万亿 tokens，使其成为为智能体流量路由的开发者眼中真正的工作负载之王。

   来源 ↗
6. 6
   Gemini 4 Argon

   在SWE-bench Pro V2上达到99.2%，表明谷歌的前沿模型正在长程工程上追赶Anthropic。

   来源 ↗
7. 7
   Qwen 3 Max

   在OpenRouter的热门榜上位居第一，达773亿 tokens，证明阿里巴巴的模型能承载亚洲的大规模智能体工作负载。

8. 8
   GLM-5.2 Max

   在Code Arena的Frontend中排名第二，Elo为1595，在UI智能体任务的人类偏好中占据主导。

   来源 ↗
9. 9
   Llama 4 Maverick

   1.3M上下文窗口，每百万输入tokens $0.20，是运行大规模智能体编排最便宜的方式。

   来源 ↗
10. 10
    Claude Fable 5

    在SWE-bench Pro上得分80.3%，尽管新模型已超越它，仍保持在智能体编程的顶级行列。

    来源 ↗