Poly 榜单 · 来自今日热点

2026年AI智能体成本对比：每美元完成最多工作

在Arena 11月4日的编程榜单上，Claude Opus 5.5的中位任务成本为17.45美元，GPT-6.1 Terra为1.40美元：价格约为其12倍，而净提升分别为23.38%和13.76%。

第1名：GPT-6.1 Sol（OpenAI Codex）
10 个名次
截至 2026年11月4日, 19:18 EST

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
GPT-6.1 Sol（OpenAI Codex）
三个独立榜单都认可的便宜之选：Arena净提升12.51%，成本0.98美元；编程智能体指数62.9%，成本1.04美元；Terminal-Bench 58.2%，成本1.92美元。
已列入: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. 未列入: Nemotron, Wenxin.
在各自榜单中的名次: ChatGPT: 2 · Meta: 1 · Grok: 3 · StepFun: 3 · Kimi: 1 · DeepSeek: 4
每个 AI 的看法 6
- ChatGPT第 2 名
  中位任务成本 0.98 美元，中位用时 10.3 分钟，是受控编程流程中务实的性价比之选。
  来源 ↗
- Meta第 1 名
  Arena 中位成本 0.98 美元；智能指数（Intelligence Index）每个任务 1.27 美元，得 55 分——比 Opus 5.5 max 便宜 8 倍，后者每个任务 10.04 美元，得 58 分
- Grok第 3 名
  总体中位成本 98 美分，换来 12.51% 的净提升，在 Terra 之上领先一步，但在命令行恢复上落后一步。
  来源 ↗
- StepFun第 3 名
  OpenAI 的省钱之选：在同一榜单上，与其较贵的同系列模型相差不到两个百分点，中位任务成本 0.56 美元。
- Kimi第 1 名
  解决了 62.9% 的真实工程任务，每个 1.04 美元、耗时 15.5 分钟——每美元约 60 个指数点，是榜单最高分者每美元工作量的六倍。
  来源 ↗
- DeepSeek第 4 名
  58.2%，1.92 美元——是 Astra 在同一测试中 9.90 美元的五分之一。
6 个 AI 列入此名次
来源 ↗
2
Claude Opus 5.5（Claude Code）
总体净提升最高（20.14%），但每个中位编程任务需17.45美元和39分钟。Terminal-Bench的测试将其定价在14.30–19.07美元之间。
已列入: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. 未列入: Nemotron, Wenxin.
在各自榜单中的名次: ChatGPT: 6 · Meta: 8 · Grok: 7 · StepFun: 4 · Kimi: 9 · DeepSeek: 6
每个 AI 的看法 6
- ChatGPT第 6 名
  它在 Arena 2026 年 11 月 3 日的总榜上排名第一，但每个中位任务 6.80 美元，其溢价必须靠更少的失败或重复尝试来证明。
  来源 ↗
- Meta第 8 名
  中位成本 0.08 美元，绝对最便宜——总体 0.62%，用时 1.9 分钟，26.1K token，单价 $0.10/$0.50
  来源 ↗
- Grok第 7 名
  榜单上净提升最多，为 20.14%，总体成本 6.79 美元，编程任务则为 17.45 美元。
  来源 ↗
- StepFun第 4 名
  最佳家族里的最佳性价比：可引导性第一，经确认成功率第二，每个任务 1.31 美元，比它自己的 Max 档低 64%。
  来源 ↗
- Kimi第 9 名
  最贵的可靠主力：66% 的任务成功率，每个任务 13.04 美元——相比 Codex，每个任务大约要多付一倍；独立跟踪显示，其中位完成时间为 2.2 分钟。
  来源 ↗
- DeepSeek第 6 名
  64.8%，14.30 美元——工作可靠，但价格要靠高价值任务才能回本。
6 个 AI 列入此名次
来源 ↗
3
Claude Sonnet 5.5（Claude Code）
在确认的编程成功率上与Opus 5.5持平（24.98%），每个中位编程任务成本8.39美元，而非17.45美元。总体净提升15.42%，成本3.86美元。
已列入: ChatGPT, Meta, Grok, StepFun, Kimi. 未列入: Nemotron, DeepSeek, Wenxin.
在各自榜单中的名次: ChatGPT: 5 · Meta: 5 · Grok: 5 · StepFun: 6 · Kimi: 查看列表
每个 AI 的看法 5
- ChatGPT第 5 名
  中位成本 3.86 美元，远高于一美元以下的替代方案，但 19.95% 的经确认成功率，使其按可靠性调整后的性价比具有竞争力。
  来源 ↗
- Meta第 5 名
  GAIA 74.55% 排名第一，成本 178.20 美元——Arena 经确认成功率 15.42%，成本 3.83 美元，用时 16.4 分钟——每美元研究成果最好
- Grok第 5 名
  在经确认的编程成功率上与 Opus 持平，为 24.98%，但成本为 8.39 美元，而非 17.45 美元。
  来源 ↗
- StepFun第 6 名
  全榜经确认成功率第二（20.21%），每个任务 3.86 美元——Anthropic 的中档之选，保留了大部分可靠性。
  来源 ↗
- Kimi
  在它自己的列表中名称不同：请打开完整列表。
  查看列表
5 个 AI 列入此名次
来源 ↗
4
Gemini 4 Argon
在聊天任务上，净提升13.22%，耗时3.8分钟，花费52美分。编程方面较弱：Arena上为8.54%，耗费2.14美元；在谷歌Antigravity CLI中每个任务为5.84美元。
已列入: ChatGPT, Meta, Grok, Kimi. 未列入: Nemotron, StepFun, DeepSeek, Wenxin.
在各自榜单中的名次: ChatGPT: 3 · Meta: 3 · Grok: 2 · Kimi: 3
每个 AI 的看法 4
- ChatGPT第 3 名
  每个中位任务 0.97 美元、用时 7.3 分钟，比 Carbon 更快更便宜，但 Carbon 的整体提升信号更强。
  来源 ↗
- Meta第 3 名
  中位成本 0.97 美元，总体 10.53%——前十名中工具幻觉率最低，为 0.42%；可引导性 13.52%
- Grok第 2 名
  在聊天任务上，净提升 13.22%，花费 52 美分，用时 3.8 分钟。
  来源 ↗
- Kimi第 3 名
  榜单上最好的 DeepSWE 得分（78.8%），每个任务 5.84 美元——在三大框架中，这是每美元最强的困难编码工作。
  来源 ↗
4 个 AI 列入此名次
来源 ↗
5
Gemini 4 Carbon
不到2美元即可获得最多质量：中位成本1.69美元，净提升16.72%，确认成功率18.02%，约为Opus 5.5的6.79美元的四分之一。Arena仍将其标注为初步结果。
已列入: ChatGPT, Meta, Grok, StepFun. 未列入: Nemotron, Kimi, DeepSeek, Wenxin.
在各自榜单中的名次: ChatGPT: 1 · Meta: 4 · Grok: 4 · StepFun: 2
每个 AI 的看法 4
- ChatGPT第 1 名
  中位任务成本 1.69 美元，在 Arena 2026 年 11 月 3 日的快照中经用户确认的成功率为 18.04%，是主流模型中价格与完成度最好的可观测平衡。
  来源 ↗
- Meta第 4 名
  经确认成功率 16.72%，总体排名第二，成本 1.69 美元——可引导性最佳，为 19.32%；幻觉率 0.51%
- Grok第 4 名
  性价比领先，而且仍能赢得任务：总体净提升 16.72%，成本 1.69 美元；Arena 将其标为初步结果。
  来源 ↗
- StepFun第 2 名
  同样胜出的高效之选：Agent Arena 总体第二，每个任务 1.69 至 1.80 美元，价格约为上方智能体的五分之一。
  来源 ↗
4 个 AI 列入此名次
来源 ↗
6
DeepSeek V4.1 Flash
最便宜的真正入门选项，中位成本0.16美元，但11月4日的净提升仅为2.37%；Arena早先的一篇帖子显示为+4.87%，成本0.07美元。
已列入: ChatGPT, Meta, Grok, StepFun. 未列入: Nemotron, Kimi, DeepSeek, Wenxin.
在各自榜单中的名次: ChatGPT: 8 · Meta: 7 · Grok: 9 · StepFun: 1
每个 AI 的看法 4
- ChatGPT第 8 名
  每个中位任务 0.16 美元，是观测到的最便宜选项之一，但 3.38% 的经确认成功率信号，使其无法获得更高的完成工作排名。
  来源 ↗
- Meta第 7 名
  中位成本 0.16 美元，编程最便宜——总体 2.37%，86.5K token，单价 $0.15/$0.60 每百万 token
  来源 ↗
- Grok第 9 名
  质量接近 Astra，为 13.86%，Astra 为 14.70%；中位成本 6.40 美元，与其接近，编程中位成本 16.30 美元。
  来源 ↗
- StepFun第 1 名
  中位每任务成本 0.07 美元，净提升 +4.87%——比榜单第一的智能体便宜约 97 倍，而在工作质量上只差几个百分点。
  来源 ↗
4 个 AI 列入此名次
来源 ↗
7
Devin（Cognition AI）
每个任务的成本取决于由谁统计：0.60美元（厂商宣称）、70.4%时1.40美元（第三方DeepSWE）、7.90美元（编程智能体指数），以及每个合并任务约9–10美元（第三方估算）。
已列入: Meta, StepFun, Kimi, DeepSeek. 未列入: ChatGPT, Grok, Nemotron, Wenxin.
在各自榜单中的名次: Meta: 查看列表 · StepFun: 7 · Kimi: 5 · DeepSeek: 2
每个 AI 的看法 4
- Meta
  在它自己的列表中名称不同：请打开完整列表。
  查看列表
- StepFun第 7 名
  Cognition AI 声称比前沿编程模型低 64% 的成本，意味着每个任务约 1.18 美元；而另一项测算认为，一个合并任务接近 9 至 10 美元。
  来源 ↗
- Kimi第 5 名
  7.90 美元换来 61.7% 的任务完成率，由 SWE-2 Medium 承担繁重工作——价格处于中游，但对于委派的工单，每美元的可靠性属于顶级。
  来源 ↗
- DeepSeek第 2 名
  68.8，0.60 美元——如果你计入 FrontierCode 的运行，而不计每月 500 美元的席位费。
4 个 AI 列入此名次
来源 ↗
8
GPT-6.1 Terra
最便宜的优秀表现者：中位成本0.79美元，净提升11.40%；每个编程任务1.40美元，而Opus 5.5为17.45美元。
已列入: ChatGPT, Meta, Grok. 未列入: Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
在各自榜单中的名次: ChatGPT: 4 · Meta: 2 · Grok: 1
每个 AI 的看法 3
- ChatGPT第 4 名
  中位任务成本 0.79 美元，低于 Sol 的 0.98 美元，但观测到的整体提升信号较弱。
  来源 ↗
- Meta第 2 名
  前十名中最便宜的得分者：每个任务 0.96 美元，得 48 分——Arena 中位成本 0.79 美元，成功率 11.4%，可引导性 15.18%
- Grok第 1 名
  总体净提升 11.40%，中位成本 79 美分；编程任务 1.40 美元。
  来源 ↗
3 个 AI 列入此名次
来源 ↗
9
Kimi K3.1 Pro
中位成本1.47美元，净提升5.29%（初步结果）：收益不到Terra的一半，价格却几乎是其两倍。Toloka发现K3有41%的任务只是有时才能解决。
已列入: Meta, Grok, StepFun. 未列入: ChatGPT, Nemotron, Kimi, DeepSeek, Wenxin.
在各自榜单中的名次: Meta: 6 · Grok: 6 · StepFun: 5
每个 AI 的看法 3
- Meta第 6 名
  开放模型并列第一——总体 5.29%，中位成本 1.47 美元，用时 6.8 分钟，41.4K token，单价 $2/$10 每百万 token
  来源 ↗
- Grok第 6 名
  正面，但并非便宜而空洞：总体净提升 5.29%，成本 1.47 美元，远远落后于 Terra 的 11.40%（成本 79 美分）。
  来源 ↗
- StepFun第 5 名
  中位任务 1.03 美元，但仍略低于帕累托前沿——进入顶级智能任务的最便宜可信途径。
3 个 AI 列入此名次
来源 ↗
10
GPT-6 Astra
总体质量排第四（14.70%），但每个中位任务6.16美元，编程任务15.30美元；Sonnet 5.5花3.86美元完成的工作更多。
已列入: ChatGPT, Grok. 未列入: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
在各自榜单中的名次: ChatGPT: 10 · Grok: 8
每个 AI 的看法 2
- ChatGPT第 10 名
  中位任务成本 6.16 美元，经确认成功率信号为 14.28%，使其属于高端选项，而非普遍的性价比赢家。
  来源 ↗
- Grok第 8 名
  总体质量排第四，为 14.70%，编程任务还未完成就已花费 15.30 美元。
  来源 ↗
2 个 AI 列入此名次
来源 ↗

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。

数据来自不同测试：Arena 总体成绩及编程中位数、Terminal-Bench 以及编程智能体指数。各测试中每项任务的成本不同，因此只应在同一测试内比较。

1GPT-6.1 Sol（OpenAI Codex）

第 1 名 — GPT-6.1 Sol（OpenAI Codex）. 8 个 AI 中有 6 个将其列入榜单；在其中的中位名次：2.5. 三个独立榜单都显示，它以最低的花费取得了扎实的成绩，每项任务约一美元。

你知道吗

GPT-6.1 Sol 一次能够读取的内容非常多。其标称上下文窗口为 1,050,000 个 token，单次回复最多可写 128,000 个 token。这足以在一次会话中容纳非常庞大的代码库。
来源 ↗

它是什么: OpenAI 的编程智能体 Codex，运行 GPT-6.1 Sol 模型。
它的优势: 在每个榜单上，每项任务的成本都远低于两款 Claude 方案。
适合谁: 适合注重成本的编程工作；如果你需要最高的净提升，则不太合适。

净提升与成本对比净提升 12.51%，每项任务 $0.98

维基百科 · Wikidata

为什么上榜

在 Terminal-Bench Science 0.1 测试的最高投入强度下，GPT-6.1 Sol 平均每项任务 $5.47。同一测试框架下，Claude Opus 5.5 平均每项任务 $23.21，因此 Sol 的成本约为其四分之一。
来源 ↗
TechRepublic 2026年10月的对比文章称，使用 GPT-6.1 Sol 的 Codex 每项任务成本为 $1.04；Claude Code 搭配 Sonnet 5.5 则列为 $14.19。我无法打开该页面自行核对，这些数字来自搜索摘要。
来源 ↗

你知道吗

其标称 API 价格为每百万输入 token $2、每百万输出 token $10。正是这一价格支撑起了“性价比之选”的标签，因为智能体的大部分成本来自它读取和写入的 token。
来源 ↗

历史

Codex 的云端版本于2025年5月推出，但 OpenAI 之外几乎没有人继续使用。团队原本只有约七周时间来开发它，之后转向了可在自己电脑上运行的工具。这一转变成为了如今 Codex 的基础。
来源 ↗

进一步了解

打开 OpenAI 官方发布的 GPT-6.1 Sol 公告页面。先看基准测试表，再查看套餐说明，确认哪些 Codex 套餐包含该模型，然后再去尝试。
来源 ↗

视频: OpenAI Codex Explained for Normal People (“Claude Cowork Killer”) (英文) · Paul J Lipsky

比较前三名 ↓

2Claude Opus 5.5（Claude Code）

第 2 名 — Claude Opus 5.5（Claude Code）. 8 个 AI 中有 6 个将其列入榜单；在其中的中位名次：6.5. 它的总体净提升最大，但每项编程任务的成本高得多，耗时也长得多。

WOTW2026 · CC0 · Wikimedia Commons

你知道吗

Claude Code 的回退功能并不能撤销一切。它只追踪通过 Claude 自带文件编辑工具所做的修改。由 shell 命令完成的改动（如删除或移动文件）不在其覆盖范围内。检查点可以跨会话保留。
来源 ↗

它是什么: Anthropic 的 Claude Code 智能体，运行 Opus 5.5 模型。
它的优势: 在榜单上净提升最高，但每项任务也最贵。
适合谁: 适合困难、高价值的工作；不太适合简单任务或预算紧张的情况。

净提升与成本对比净提升 20.14%，每项任务 $17.45

维基百科 · Wikidata

为什么上榜

Artificial Analysis 在其编程智能体指数上给 Claude Code 搭配 Opus 5.5 打了 62 分。这是此次取舍中成本较高的一面：每项任务 $11.42，耗时 1.0 小时。
来源 ↗
在 Terminal-Bench Science 0.1 测试中，Claude Opus 5.5 平均每项任务 $23.21。同一测试中 GPT-6.1 Sol 平均为 $5.47，因此 Opus 的成本是其四倍多。
来源 ↗

历史

Claude Code 于2025年2月以有限研究预览版的形式推出，与 Claude 3.7 Sonnet 模型同时发布。
来源 ↗

需要注意

当意图不明或上下文缺失时，自动模式仍可能批准不安全的操作，也可能拦下无害的操作。每项操作都会经过额外的审查步骤，这可能增加延迟，并随着时间推移消耗更多 token。
来源 ↗
Anthropic 建议在隔离环境中运行自动模式，敏感代码尤其如此。实际上，应把它当作需要留意的辅助工具，而不是可以放任不管的东西。
来源 ↗

进一步了解

打开权限模式页面，查看每种模式允许 Claude Code 在无需询问的情况下做什么。先读自动模式部分，因为它现在是默认的起始模式。
来源 ↗

视频: Every Claude Code Concept Explained for Normal People (英文) · Simon Scrapes

比较前三名 ↓

3Claude Sonnet 5.5（Claude Code）

第 3 名 — Claude Sonnet 5.5（Claude Code）. 8 个 AI 中有 5 个将其列入榜单；在其中的中位名次：5. 它在确认的编程成功率上与 Opus 相当，但每项任务的价格约为其一半，因此保留了大部分价值。

WOTW2026 · CC0 · Wikimedia Commons

它是什么: Anthropic 的 Claude Code 智能体，运行更便宜的 Sonnet 5.5 模型。
它的优势: 在确认的编程成功率上与 Opus 持平，每项任务的花费却少得多。
适合谁: 适合希望在预算内获得可靠表现的 Claude 用户；不太适合最便宜的工作。

净提升与成本对比净提升 15.42%，每项任务 $3.86

维基百科 · Wikidata

为什么上榜

Artificial Analysis 将 Claude Sonnet 5.5 列为 Claude Code 的一个版本，与 Opus 5.5 并列。Opus 5.5 的配置显示为每项任务 $11.42、耗时 1.0 小时。本页面未给出 Sonnet 自身的成本数据。
来源 ↗
据 Vellum 的文章，在 AutomationBench 上 Claude Sonnet 5.5 平均每项任务 $1.14。这是一项不同于编程的测试，因此它只说明 Sonnet 在某些工作上可以很便宜。
来源 ↗

视频: Every Claude Code Concept Explained for Normal People (英文) · Simon Scrapes

比较前三名 ↓

前三名对比

	GPT-6.1 Sol（OpenAI Codex）	Claude Opus 5.5（Claude Code）	Claude Sonnet 5.5（Claude Code）
进入 AI 榜单	6 / 8	6 / 8	5 / 8
净提升与成本对比	净提升 12.51%，每项任务 $0.98	净提升 20.14%，每项任务 $17.45	净提升 15.42%，每项任务 $3.86
排第一的 AI	Meta, Kimi	—	—

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。

编程任务和聊天任务是两种不同的消费：Opus 5.5在编程上的中位成本为17.45美元，耗时39.3分钟；在聊天上为3.68美元，耗时10.4分钟。Terra的编程中位成本为1.40美元，聊天为0.58美元。

提及者:

已列入: Grok. 未列入: ChatGPT, Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.

01最终榜单

GPT-6.1 Sol（OpenAI Codex）

Claude Opus 5.5（Claude Code）

Claude Sonnet 5.5（Claude Code）

Gemini 4 Argon

Gemini 4 Carbon

DeepSeek V4.1 Flash

Devin（Cognition AI）

GPT-6.1 Terra

Kimi K3.1 Pro

GPT-6 Astra

02前三名详解

1GPT-6.1 Sol（OpenAI Codex）

你知道吗

2Claude Opus 5.5（Claude Code）

你知道吗

3Claude Sonnet 5.5（Claude Code）

前三名对比

更多榜单

03值得了解

04我们如何统计

1问题

2为什么选这个话题

3适用范围

4考量标准

5谁来排名

6名次如何确定

05各个 AI 的单独榜单

ChatGPT 注意到的内容

Meta 注意到的内容

Grok 注意到的内容

StepFun 注意到的内容

Kimi 注意到的内容

DeepSeek 注意到的内容