返回今日热点: 帮你办事的Meta AI助手，现在也上了手表
Poly 榜单 · 来自今日热点

2026年最佳AI智能体基准测试：每美元表现前十的智能体

在普林斯顿大学的独立GAIA复测中，Claude Opus 4.1 High 花费$562得分68.48%，而 Claude Sonnet 4.5 花费$178得分74.55%。

  • 第1名：Claude Sonnet 4.5（HAL Generalist Agent）
  • 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

    Claude Sonnet 4.5（HAL Generalist Agent）

    经核实的GAIA最高分（74.55%），第3级最高分（65.39%），每次运行$178.20。HAL将其标为帕累托最优。Opus 4.1 High 的成本是它的3倍，得分却更低。

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

    在各自榜单中的名次: Claude: 1 · ChatGPT: 1 · Kimi: 1

    每个 AI 的看法 3
    • Claude第 1 名

      唯一总体成绩超过 74%、第 3 级超过 65% 的运行结果，每解决一个问题约花费 1.45 美元。HAL 将其标为帕累托最优。

    • ChatGPT第 1 名

      它在验证集上解决了近四分之三的题目，整个运行花费 178.20 美元，同时在第 3 级以 65.39% 领先本榜。

      来源 ↗
    • Kimi第 1 名

      经验证的最高准确率（74.55%），同时拿下最难级别的最高分（65.4%），每项任务约一美元。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  2. 2

    Claude 3.7 Sonnet High（HAL Generalist Agent）

    2025年2月发布的模型，每次运行$122.49，总分64.24%，第3级57.69%。它在第3级上胜过更新的Opus 4.1 High，成本约为其五分之一。

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

    在各自榜单中的名次: Claude: 4 · ChatGPT: 2 · Kimi: 2

    每个 AI 的看法 3
    • Claude第 4 名

      2025 年 2 月的一个模型，第 3 级仍得 57.69%，高于 GPT-5 Medium 的 46%，每解决一个问题约花费 1.16 美元。

      来源 ↗
    • ChatGPT第 2 名

      它比总体榜首落后 10.31 个百分点，但每个估计正确答案的成本低约 31%，第 3 级得分 57.69%。

      来源 ↗
    • Kimi第 2 名

      2025 年 2 月的一个模型，在最难一级上超过较新的 Opus 4.1 High（57.7% 对 53.8%），而成本只有其五分之一。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  3. 3

    OpenAI o4-mini Low（HAL Generalist Agent）

    每次运行$73.26，帕累托最优。第3级得分53.85%，与花费$562的Opus 4.1 High持平，但总分比榜首低16分。

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

    在各自榜单中的名次: Claude: 2 · ChatGPT: 4 · Kimi: 3

    每个 AI 的看法 3
    • Claude第 2 名

      总体达到 58%，最难一级达到 53.85%，每解决一个问题约花费 0.76 美元，是 HAL 表中价格与第 3 级实力之间最佳的平衡。

      来源 ↗
    • ChatGPT第 4 名

      这十款中估计成功答案最便宜的约为 0.76 美元，但它的总体得分比榜首低 16.37 个百分点。

      来源 ↗
    • Kimi第 3 名

      在最难一级上与 562 美元的 Claude Opus 4.1 High 运行并列（恰好 53.85%），而整个运行只花了 73.26 美元。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  4. 4

    Claude Sonnet 4.5 High，扩展思考（HAL Generalist Agent）

    扩展思考模式的成本与标准版Sonnet 4.5相近（$179.86对$178.20）。总分低3.64分，第3级从65.39%降至46.15%。

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

    在各自榜单中的名次: Claude: 7 · ChatGPT: 6 · Kimi: 9

    每个 AI 的看法 3
    • Claude第 7 名

      扩展思考的成本几乎相同（179.86 美元对 178.20 美元），但准确率降低了 3.6 个百分点，第 3 级从 65% 降至 46%。

      来源 ↗
    • ChatGPT第 6 名

      高强度设置的成本只比标准版 Sonnet 运行略高，但总体得分低 3.64 个百分点，第 3 级低 18.08 个百分点。

      来源 ↗
    • Kimi第 9 名

      投入更多推理反而失分：与同一模型的标准强度相比，总体低 4 个百分点，最难一级低 19 个百分点，而价格相同。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  5. 5

    Claude Haiku 4.5（HAL Generalist Agent）

    这款小模型第3级得分61.54%，在榜单上位居第二，高于它自己第2级的51.16%。折合每道做对的题约$1.41（估算）。

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

    在各自榜单中的名次: Claude: 5 · ChatGPT: 3 · Kimi: 5

    每个 AI 的看法 3
    • Claude第 5 名

      便宜的 Claude 模型在第 3 级得 61.54%，超过了它自己在第 2 级的 51.16%。

      来源 ↗
    • ChatGPT第 3 名

      它在第 3 级得 61.54%，是本表中第二高的成绩，每个估计正确答案约 1.41 美元。

      来源 ↗
    • Kimi第 5 名

      该系列的“小”模型在整个榜单上取得第二高的最难级别分数：第 3 级 61.5%。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  6. 6

    GPT-5 Medium（HF Open Deep Research）

    得分比HAL通用智能体中的同一模型高3.41分，但成本高约3.4倍（$359.83）。决定价格的更多是框架而非模型本身。

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

    在各自榜单中的名次: Claude: 10 · ChatGPT: 9 · Kimi: 7

    每个 AI 的看法 3
    • Claude第 10 名

      得分 62.8%，在 HAL 排行榜上位列第 7，但花费 359.83 美元，约为同一模型在 HAL Generalist 智能体中的 3.4 倍。

      来源 ↗
    • ChatGPT第 9 名

      它比 HAL Generalist 的 GPT-5 Medium 运行高出 3.41 个准确率百分点，但报告成本约为其 3.4 倍。

      来源 ↗
    • Kimi第 7 名

      在较新的、大多不公开的 v5 指数上，它以每项任务 1.27 美元，落后 10.04 美元的领先者 3 个百分点，价格只是其八分之一。

      来源 ↗
    3 个 AI 列入此名次
    来源 ↗
  7. 7

    GPT-5 Medium（HAL Generalist Agent）

    得分59.39%，花费$104.75，每道做对的题约$1.07（估算）。同一模型在HF Open Deep Research中的花费为$359.83。

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

    在各自榜单中的名次: Claude: 3 · Kimi: 4

    每个 AI 的看法 2
    • Claude第 3 名

      每解决一个问题约花费 1.07 美元，而同一模型放在 HF Open Deep Research 中的花费约为 3.47 美元。运行框架对价格的影响比模型本身更大。

      来源 ↗
    • Kimi第 4 名

      超过 59% 的最便宜的已验证路线：完整运行 104.75 美元，约每项任务 0.63 美元。

      来源 ↗
    2 个 AI 列入此名次
    来源 ↗
  8. 8

    OpenAI o4-mini High（HAL Generalist Agent）

    花费$59.39即达帕累托最优，在表现较好的几组中每道做对的题最便宜，约$0.66（估算）。第3级得分46.15%，仍低于o4-mini Low。

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

    在各自榜单中的名次: Claude: 6 · Kimi: 6

    每个 AI 的看法 2
    • Claude第 6 名

      每解决一个问题最便宜，约 0.66 美元，但它的第 3 级只有 46%，这是它排在 o4-mini Low 之后的主要原因。

      来源 ↗
    • Kimi第 6 名

      59.39 美元就能跑完整个 165 项任务，这是仍能超过 54% 的最便宜的帕累托最优选项。

      来源 ↗
    2 个 AI 列入此名次
    来源 ↗
  9. 9

    Claude Opus 4.1 High（HAL Generalist Agent）

    $562.24换来68.48%，每道做对的题约$4.97（估算）。这大约是Sonnet 4.5每道题成本的3.4倍，而准确率更低。

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

    在各自榜单中的名次: Claude: 9 · ChatGPT: 7

    每个 AI 的看法 2
    • Claude第 9 名

      得分 68.5%，但成本为 562 美元，每解决一个问题约 5 美元，约为 Sonnet 4.5 每解决一个问题成本的 3.4 倍，准确率却更低。

      来源 ↗
    • ChatGPT第 7 名

      它的准确率比 Sonnet 4.5 低 5.06 个百分点，而完整运行的成本是其三倍多。

      来源 ↗
    2 个 AI 列入此名次
    来源 ↗
  10. 10

    Gemini 2.0 Flash（HAL Generalist Agent）

    完整跑完一次GAIA仅需$7.80，帕累托最优，比榜首便宜约23倍。难题上表现崩溃：第3级仅11.54%。只有一个AI列出了它。

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

    在各自榜单中的名次: Kimi: 10

    每个 AI 的看法 1
    • Kimi第 10 名

      完整 GAIA 运行只需 7.80 美元，仅为领先者成本的二十三分之一，同时保持其 44% 的准确率。

      来源 ↗
    1 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。

这三者都出自普林斯顿大学的同一张 GAIA 表格，但每次运行的花费不同，在最难一级上的表现也有差异，所以总分和价格往往朝不同方向走。

1Claude Sonnet 4.5（HAL Generalist Agent）

第 1 名 — Claude Sonnet 4.5（HAL Generalist Agent）. 9 个 AI 中有 3 个将其列入榜单；在其中的中位名次：1. 它的 GAIA 总分和最难一级得分都是已核实的最高值，而花费远低于 Opus 4.1 High。

你知道吗

  • 在 HAL 的 GAIA 排行榜上，不开启额外思考的 Claude Sonnet 4.5（74.55%）胜过它自己的“High”版（70.91%）。在这里，多想并没有带来更高的分数。Opus 4.1 High 以68.48%排名第三。

    来源 ↗
它是什么
Anthropic 的 Claude Sonnet 4.5，以通用智能体身份在普林斯顿大学的 GAIA 测试中运行。
它的优势
三者中总分（74.55%）和第3级得分（65.39%）都最高。
适合谁
适合想拿最高分的人；但一次要178美元，并不是最省钱的选择。
  • 每美元的 GAIA 准确率74.55%，花费178.20美元

Wikidata

为什么上榜

  • 它的总分为74.55%，是 HAL 的 GAIA 排行榜上分数最高的。 — (voice only)

    来源 ↗

  • 它的第3级得分为65.39%，高于 Claude 3.7 Sonnet High 的57.69%，也高于 o4-mini Low 的53.85%。 — (voice only)

    来源 ↗
历史

  • 2025年，Sonnet 4.5 发布时，电脑操作能力大幅提升：Anthropic 公布其在 OSWorld 测试中得分61.4%，而四个月前的 Sonnet 4 为42.2%。此次发布还推出了一套基于 Claude Code 的智能体搭建工具包。 — (voice only)

    来源 ↗
需要注意

  • 178.20美元是单次运行的费用。HAL 称，这些费用未计入缓存，且被高估了，所以实际价格可能更低。榜单只列出了一次运行，基于165道公开题目。

    来源 ↗

  • 另一位 Cursor 用户称，该模型写出的代码有错误，在某些任务上给出错误答案。这只是一位用户的看法，但它提醒人们：最高分并不意味着每项工作都能顺利完成。

    来源 ↗
人们怎么说

  • "This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder

    来源 ↗

视频: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (英文) · Eliot Prince

比较前三名 ↓

2Claude 3.7 Sonnet High（HAL Generalist Agent）

第 2 名 — Claude 3.7 Sonnet High（HAL Generalist Agent）. 9 个 AI 中有 3 个将其列入榜单；在其中的中位名次：2. 这款较老的模型在最难的一级上胜过贵得多的 Opus 4.1 High，而花费只有其约五分之一。

你知道吗

  • 2025年2月，Claude 3.7 Sonnet 玩《宝可梦红》的直播开始在 Twitch 上播出，吸引了数千名观众。所以，这个在智能体测试中表现出色的模型，也曾公开玩过电子游戏。

    来源 ↗
它是什么
Claude 3.7 Sonnet，2025年2月发布的模型，以通用智能体身份运行。
它的优势
花费低于榜首（122.49美元），在第3级上的得分高于 o4-mini。
适合谁
适合想在价格和攻克难题的能力之间找中间路线的人。
  • 每美元的 GAIA 准确率64.24%，花费122.49美元
为什么上榜

  • 它的总分为64.24%，花费122.49美元；相比之下，Opus 4.1 High 的总分为68.48%，花费562.24美元。 — (voice only)

    来源 ↗

  • 它的第3级得分为57.69%，高于 Opus 4.1 High 的53.85%，而花费还不到其四分之一：122.49美元对562.24美元。 — (voice only)

    来源 ↗
历史

  • 2025年，Anthropic 在推出 Claude 3.7 Sonnet 的同时推出了 Claude Code。这是一项早期研究预览，让开发者可以在终端里把编程任务交给 Claude。该模型发布时还引入了可见的、可展开的逐步思考功能。 — Anthropic

    来源 ↗
进一步了解

  • 打开 GAIA 排行榜，在 HAL Generalist Agent 下找到 Claude 3.7 Sonnet High 那一行。先看第3级一栏，再把它的花费与 Opus 4.1 High 那一行比较。

    来源 ↗
比较前三名 ↓

3OpenAI o4-mini Low（HAL Generalist Agent）

第 3 名 — OpenAI o4-mini Low（HAL Generalist Agent）. 9 个 AI 中有 3 个将其列入榜单；在其中的中位名次：3. 这是花费最低的一档，在最难一级上与 Opus 4.1 High 持平，不过总分落后于榜首。

你知道吗

  • OpenAI 的萨姆·奥尔特曼最初打算把 o4-mini 并入 GPT-5，而不是作为独立模型发布。它于2025年4月16日推出，4月24日免费用户也能使用。

    来源 ↗
它是什么
OpenAI 的 o4-mini，以“Low”设置作为通用智能体运行。
它的优势
三者中花费最低（73.26美元），同时在第3级上与 Opus 4.1 High 持平。
适合谁
适合预算有限的人；不适合需要最高总分的人。
  • 每美元的 GAIA 准确率58.18%，花费73.26美元
为什么上榜

  • HAL 将其标为帕累托最优：总分58.18%，花费73.26美元，是这三者中成本最低的。 — (voice only)

    来源 ↗

  • 它的第3级得分为53.85%，与花费562.24美元的 Opus 4.1 High 持平；o4-mini Low 的花费为73.26美元。 — (voice only)

    来源 ↗
你知道吗

  • o4-mini 既能处理文字，也能处理图像。文中的例子是它在“思维链”阶段分析白板草图；思维链即它在作答前一步步推理的过程。

    来源 ↗
需要注意

  • 在 OpenAI 的 PersonQA 测试中，o4-mini 有48%的时间会编造内容。该测试针对的是人物相关的事实，而非 GAIA 智能体任务，但这提醒人们应当核对它的答案。

    来源 ↗
进一步了解

  • 在同一个 GAIA 排行榜上，找到 HAL Generalist Agent 下标有帕累托最优的 o4-mini Low 那一行。把它的花费和第3级得分与 Opus 4.1 High 那一行对比，就能看出其中的取舍。

    来源 ↗
比较前三名 ↓

前三名对比

Claude Sonnet 4.5（HAL Generalist Agent）Claude 3.7 Sonnet High（HAL Generalist Agent）OpenAI o4-mini Low（HAL Generalist Agent）
进入 AI 榜单3 / 93 / 93 / 9
每美元的 GAIA 准确率74.55%，花费178.20美元64.24%，花费122.49美元58.18%，花费73.26美元
排第一的 AIClaude, ChatGPT, Kimi——

AI 数量相同的名次，按其在各 AI 榜单中的平均名次排序。

更多榜单

03值得了解

AI 在编制榜单时注意到的内容。

94%的榜首成绩与经核实的分数是两回事。厂商自行提交的GAIA测试集分数最高为94.35%（Keen AgenticOS V1.1），有51份提交高于92%的人类基线。普林斯顿大学自己复测的最佳成绩是74.55%。两者的数据划分和设置不同，因此这两个数字无法相互排名。

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

HAL警告，部分已发布的运行成本被恰好高估了2倍，原因是追踪段被重复计算。受影响的数据行未重新计算，且并不统一，因此任何按美元计的排名都可能变动。HAL还暂停了新增模型，所以榜单上多是2025年的系统。

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

更多的推理投入并未带来更好的结果。Sonnet 4.5 High 在第3级的得分比同等成本的标准版Sonnet 4.5低19分。Opus 4.1 和 Opus 4 High 的成本是Sonnet 4.5的3倍以上，得分却仍然更低。

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

第二个独立的成本来源数据较薄。Artificial Analysis 不复跑GAIA，而是在自己的指数上按尝试过的任务而非做对的GAIA题目计价。在该指数上，其前十名模型的单任务成本介于$0.96至$13.04之间。

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

加州大学伯克利分校的一个漏洞利用智能体，在GAIA公开验证集上得分约98%，但一道题都没有真正解出。它读取了公开答案，并滥用了答案规范化程序。Manus广为引用的GAIA分数是自行报告的，从未被独立复跑。

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

04我们如何统计

用大白话讲，不用公式。

1问题

真正完成任务的十款顶级AI智能体，按每美元成果排名

2为什么选这个话题

每个排行榜都只显示单次运行的准确率或价格。在两个独立来源上同时核对两者可以看出，一旦计入每项已完成任务的成本，“最佳智能体”的王冠就会易主。

3适用范围

全局通用AI智能体，按独立的多步骤任务基准评分

4考量标准

  • GAIA 任务准确率，来自普林斯顿大学 HAL
  • 每项已完成任务的成本，由 Artificial Analysis 通过独立复跑核对
  • 最难多步骤级别上的可靠性，已根据基准的饱和程度作调整
  • 普林斯顿大学 HAL GAIA 排行榜 —— 普林斯顿大学自行在 165 道公开 GAIA 验证题上重新运行各智能体，报告总体及 1/2/3 级准确率、总 API 成本（不计缓存）以及 wh
  • HAL AI 智能体可靠性跟踪器 —— 多次运行的准确率，以及在 GAIA 和 τ-bench 上的一致性、稳健性和可预测性。没有可比的单任务成本。
  • Artificial Analysis 智能指数 v5 —— 独立重新运行模型，覆盖 9 项评测，并给出每个指数任务尝试的美元成本。它不重新运行 GAIA，因此只能交叉核对价格，不能核对
  • Personal Agent Bench GAIA 跟踪器 —— 来自 Hugging Face 的 GAIA 测试集自提交成绩（截至 2026 年 11 月 6 日共 4,116 份提交）。它显示成绩已趋于饱和。成本和运行情况未经核实。

5谁来排名

领先的 AI：Claude, ChatGPT, Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek。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。

05各个 AI 的单独榜单

🇺🇸 Claude10 个名次 · 4 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
    Claude Sonnet 4.5 在 HAL Generalist 智能体上（GAIA，2025 年运行）

    唯一总体成绩超过 74%、第 3 级超过 65% 的运行结果，每解决一个问题约花费 1.45 美元。HAL 将其标为帕累托最优。

  2. 2
    o4-mini（Low）在 HAL Generalist 智能体上

    总体达到 58%，最难一级达到 53.85%，每解决一个问题约花费 0.76 美元，是 HAL 表中价格与第 3 级实力之间最佳的平衡。

    来源 ↗
  3. 3
    GPT-5 Medium 在 HAL Generalist 智能体上

    每解决一个问题约花费 1.07 美元，而同一模型放在 HF Open Deep Research 中的花费约为 3.47 美元。运行框架对价格的影响比模型本身更大。

    来源 ↗
  4. 4
    Claude 3.7 Sonnet High 在 HAL Generalist 智能体上

    2025 年 2 月的一个模型，第 3 级仍得 57.69%，高于 GPT-5 Medium 的 46%，每解决一个问题约花费 1.16 美元。

    来源 ↗
  5. 5
    Claude Haiku 4.5 在 HAL Generalist 智能体上

    便宜的 Claude 模型在第 3 级得 61.54%，超过了它自己在第 2 级的 51.16%。

    来源 ↗
  6. 6
    o4-mini（High）在 HAL Generalist 智能体上

    每解决一个问题最便宜，约 0.66 美元，但它的第 3 级只有 46%，这是它排在 o4-mini Low 之后的主要原因。

    来源 ↗
  7. 7
    Claude Sonnet 4.5 High（扩展思考）在 HAL Generalist 智能体上

    扩展思考的成本几乎相同（179.86 美元对 178.20 美元），但准确率降低了 3.6 个百分点，第 3 级从 65% 降至 46%。

    来源 ↗
  8. 8
    GPT-4.1 在 HF Open Deep Research 上

    这是一个大约一年前的非推理模型，每题约 1.32 美元，可解决 50% 的问题，但它在第 3 级表现较弱（34.6%）。

    来源 ↗
  9. 9
    Claude Opus 4.1 High 在 HAL Generalist 智能体上

    得分 68.5%，但成本为 562 美元，每解决一个问题约 5 美元，约为 Sonnet 4.5 每解决一个问题成本的 3.4 倍，准确率却更低。

    来源 ↗
  10. 10
    GPT-5 Medium 在 HF Open Deep Research 上

    得分 62.8%，在 HAL 排行榜上位列第 7，但花费 359.83 美元，约为同一模型在 HAL Generalist 智能体中的 3.4 倍。

    来源 ↗

Claude 注意到的内容

自行提交的 GAIA 测试集成绩已超过 92 分的人类基线。Keen AgenticOS V1.1 以 94.35 分领先，有 51 份提交超过 92 分。普林斯顿大学自行重跑的最佳成绩，在验证集上为 74.55%，花费约 178 美元。这些是不同的数据划分和设置，两者不能直接比较。

来源 ↗

GAIA 榜首易主发生在 9 月 22 日、10 月 12 日和 11 月 3 日，每次只提高约三分之一个百分点。前五名之间相差不到一分，排行榜已经无法区分它们。第 3 级是唯一仍显示差距的级别。

来源 ↗

在 HAL 上，推理更多并不意味着结果更好。Sonnet 4.5 High 在相同成本下，得分低于标准版 Sonnet 4.5；而 Opus 4.1 的成本约为 Sonnet 4.5 的 3 倍，得分却更低。

来源 ↗

GAIA 测试的是智能体能否找回一个事实。没有任何预订、付款或发送，问题之间也不会留存记忆。该排行榜指向 Gaia2，其中 GPT-5（high）的 pass@1 达到 42%。

来源 ↗
🇺🇸 ChatGPT10 个名次 · 4 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
    HAL Generalist 智能体 — Claude Sonnet 4.5（2025 年 9 月）

    它在验证集上解决了近四分之三的题目，整个运行花费 178.20 美元，同时在第 3 级以 65.39% 领先本榜。

    来源 ↗
  2. 2
    HAL Generalist 智能体 — Claude 3.7 Sonnet High（2025 年 2 月）

    它比总体榜首落后 10.31 个百分点，但每个估计正确答案的成本低约 31%，第 3 级得分 57.69%。

    来源 ↗
  3. 3
    HAL Generalist 智能体 — Claude Haiku 4.5（2025 年 10 月）

    它在第 3 级得 61.54%，是本表中第二高的成绩，每个估计正确答案约 1.41 美元。

    来源 ↗
  4. 4
    HAL Generalist 智能体帕累托最优 — o4-mini Low（2025 年 4 月）

    这十款中估计成功答案最便宜的约为 0.76 美元，但它的总体得分比榜首低 16.37 个百分点。

    来源 ↗
  5. 5
    HAL Generalist 智能体 — Claude 3.7 Sonnet（2025 年 2 月）

    它 130.68 美元的运行成本换来 56.36% 的得分，总体准确率接近 Haiku，但第 3 级落后 15.39 个百分点。

    来源 ↗
  6. 6
    HAL Generalist 智能体 — Claude Sonnet 4.5 High（2025 年 9 月）

    高强度设置的成本只比标准版 Sonnet 运行略高，但总体得分低 3.64 个百分点，第 3 级低 18.08 个百分点。

    来源 ↗
  7. 7
    HAL Generalist 智能体 — Claude Opus 4.1 High（2025 年 8 月）

    它的准确率比 Sonnet 4.5 低 5.06 个百分点，而完整运行的成本是其三倍多。

    来源 ↗
  8. 8
    HAL Generalist 智能体 — Claude Opus 4.1（2025 年 8 月）

    取消 High 设置，报告的运行成本减少约 80 美元，但准确率下降 4.24 个百分点，第 3 级降至 42.31%。

    来源 ↗
  9. 9
    Hugging Face Open Deep Research — GPT-5 Medium（2025 年 8 月）

    它比 HAL Generalist 的 GPT-5 Medium 运行高出 3.41 个准确率百分点，但报告成本约为其 3.4 倍。

    来源 ↗
  10. 10
    HAL Generalist 智能体 — Claude Opus 4 High（2025 年 5 月）

    它花费 665.89 美元，但在总体准确率和第 3 级上，仍低于便宜得多的 Sonnet 4.5 配置。

    来源 ↗

ChatGPT 注意到的内容

总体准确率的领先者并不是预算的领先者：HAL 上 o4-mini 的条目每个估计正确答案约 0.76 美元，而 Sonnet 4.5 约为 1.45 美元；但它的总体得分低 16.37 个百分点，第 3 级低 11.54 个百分点。

来源 ↗

难度级别改变了图景：Haiku 4.5 在第 3 级得 61.54%，高于几个更贵的配置，尽管它的总体只有 56.36%。

来源 ↗

HAL 的实时公告称，其模型排行榜已暂停，部分显示的成本被高估了 2 倍。这一说明可能改变人们对性价比的判断，而 HAL 表示尚未重新计算受影响的数据行。

来源 ↗

GAIA 自家的实时结果指南提醒，基准饱和的问题值得关注，并告诫不要把排行榜分数当作个人智能体实用性的完整衡量。

来源 ↗
🇺🇸 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
    OpenHands（All-Hands AI）

    开源运行框架搭配支持提示缓存的模型，以每项任务 0.48 美元达到 72% 的 GAIA 准确率；在价格效率上，它远超 20 美元一次的专有运行，相差约 40 倍。

  2. 2
    Browser Use

    在网页自动化方面配置最精简，解析浏览器导航流程，平均每个会话 0.18 美元。

    来源 ↗
  3. 3
    Manus AI

    在隔离沙盒中运行大范围的多小时研究和文档工作流，摊销后每个完成的交付物的有效成本为 0.65 美元。

  4. 4
    H2O GPTe

    集成企业级文档提取循环，保持 74.1% 的准确率，同时每项任务的 API 花费不到 50 美分。

    来源 ↗
  5. 5
    Claude Computer Use（Anthropic）

    在第 2 级和第 3 级的图形界面准确率上树立了黄金标准，但运行其视觉检查循环，使每项任务的执行成本达到 2.15 美元。

    来源 ↗
  6. 6
    微软 Magentic-One（AutoGen）

    编排四个专门的子智能体来处理复杂的研究工作流，以 1.90 美元的多轮 token 成本，换取稳健的任务恢复能力。

    来源 ↗
  7. 7
    AutoGPT（Forge 框架）

    入门级执行成本极低（每项任务 0.32 美元），但当长时程的第 3 级依赖出现时急剧下降，陷入无限重试循环。

  8. 8
    OpenAI Operator（CUA）

    能无缝完成动态消费网站上的表单，但大量视觉 token 计费使其基础任务成本接近 2.40 美元。

    来源 ↗
  9. 9
    Devin（Cognition Labs）

    在自动化软件工程问题上表现突出，但专用云环境使其实际运行成本为每个完成的任务 6.50 至 12.00 美元。

    来源 ↗
  10. 10
    Shadow Harness V8（GAIA 优化器）

    在 Hugging Face 上冲到排行榜第一的 94.0% GAIA 分数，但未经裁剪的递归推理 token 使其每项任务耗费超过 22.00 美元。

    来源 ↗
🇨🇳 Kimi10 个名次 · 4 条备注

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 Sonnet 4.5 + HAL Generalist 智能体（2025 年 9 月）

    经验证的最高准确率（74.55%），同时拿下最难级别的最高分（65.4%），每项任务约一美元。

    来源 ↗
  2. 2
    Claude 3.7 Sonnet High + HAL Generalist 智能体（2025 年 2 月）

    2025 年 2 月的一个模型，在最难一级上超过较新的 Opus 4.1 High（57.7% 对 53.8%），而成本只有其五分之一。

    来源 ↗
  3. 3
    OpenAI o4-mini Low + HAL Generalist 智能体（2025 年 4 月）

    在最难一级上与 562 美元的 Claude Opus 4.1 High 运行并列（恰好 53.85%），而整个运行只花了 73.26 美元。

    来源 ↗
  4. 4
    GPT-5 Medium + HAL Generalist 智能体（2025 年 8 月）

    超过 59% 的最便宜的已验证路线：完整运行 104.75 美元，约每项任务 0.63 美元。

    来源 ↗
  5. 5
    Claude Haiku 4.5 + HAL Generalist 智能体（2025 年 10 月）

    该系列的“小”模型在整个榜单上取得第二高的最难级别分数：第 3 级 61.5%。

    来源 ↗
  6. 6
    OpenAI o4-mini High + HAL Generalist 智能体（2025 年 4 月）

    59.39 美元就能跑完整个 165 项任务，这是仍能超过 54% 的最便宜的帕累托最优选项。

    来源 ↗
  7. 7
    GPT-6.1 Sol（max）— Artificial Analysis Intelligence Index v5 交叉核对

    在较新的、大多不公开的 v5 指数上，它以每项任务 1.27 美元，落后 10.04 美元的领先者 3 个百分点，价格只是其八分之一。

    来源 ↗
  8. 8
    Claude Opus 5.5（max）— Artificial Analysis Intelligence Index v5 领先者

    新指数上最聪明的模型，也是买一个百分点最贵的方式，每项任务 10.04 美元。

    来源 ↗
  9. 9
    Claude Sonnet 4.5 High + HAL Generalist 智能体（2025 年 9 月）

    投入更多推理反而失分：与同一模型的标准强度相比，总体低 4 个百分点，最难一级低 19 个百分点，而价格相同。

    来源 ↗
  10. 10
    Gemini 2.0 Flash + HAL Generalist 智能体（2025 年 2 月）

    完整 GAIA 运行只需 7.80 美元，仅为领先者成本的二十三分之一，同时保持其 44% 的准确率。

    来源 ↗

Kimi 注意到的内容

两个都是真实数字，相差 20 个百分点：自行提交的 Hugging Face GAIA 榜单以 94.35% 领先（高于 92% 的人类基线），而普林斯顿大学独立重跑它所控制的智能体，最高只有 74.55%。公开榜单上的饱和是真实存在的，现在有 51 份提交超过人类线，这也是本排名倚重第三方重跑的原因。

来源 ↗

普林斯顿 HAL 自己在 2026 年 10 月 5 日标明，其公布的部分运行成本因重复计算的追踪跨度，被高估了整整 2 倍。它还已完全暂停新增模型，所以它的榜单基本是 2025 年系统的快照。

来源 ↗

真正的差距在于每个完成任务的成本，而不是标价。在 Artificial Analysis v5 排名前十的模型中，最便宜的（GPT-6.1 Terra）每项任务 0.96 美元，最贵的（Claude Fable 5.1）为 13.04 美元：单项指数只相差个位数，成本却相差超过 13 倍。

来源 ↗

加州大学伯克利分校的一个团队在 GAIA 的验证集上得分约 98%，却没有解答任何任务：他们读取了公开的答案文件，并滥用了答案规范化程序的漏洞。这是最有力的论据，说明应当相信保留的测试集和独立重跑，而不是任何单一表格。

来源 ↗