AI基準評測

統計基準日 · 來源 Artificial Analysis

語言模型 程式開發・AI代理 圖像・影片・音訊

Highlights

Artificial Analysis 核心指標

依智慧指數 (Intelligence)、單次任務耗時 (Time per Task)、每項任務成本 (Cost per Task) 三大核心指標詳細比較

Intelligence (綜合智慧指數)

Updated
1
Fable 5.2
Anthropic
65
2
Astra 6.2
OpenAI
62
3
Gemini 4 Neon
Google
61
4
Opus 5.5
Anthropic
59
5
Sol 6.2
OpenAI
57
6
Muse Wonder Full
Meta
50
7
Kimi K3.1 Pro
Kimi
46
8
Muse Wonder
Meta
44
9
Qwen4 Max
Alibaba
43
10
Grok 4.7
SpaceXAI
35
11
DeepSeek V4.1 Flash 1017
DeepSeek
33
12
GLM-5.3
Z AI
32

Time per Task (單次任務耗時 (分))

Updated
1
Sol 6.2
OpenAI
8.5m
2
DeepSeek V4.1 Flash 1017
DeepSeek
13.5m
3
Muse Wonder
Meta
13.7m
4
Astra 6.2
OpenAI
13.7m
5
Gemini 3.8 Flash
Google
14.2m
6
Gemini 4 Neon
Google
21.5m
7
GLM-5.3
Z AI
23.1m
8
Opus 5.5
Anthropic
24.6m
9
Grok 4.7
SpaceXAI
24.9m
10
Qwen4 Max
Alibaba
31.3m
11
Kimi K3.1 Pro
Kimi
39.3m
12
Fable 5.2
Anthropic
41.2m

Cost per Task (任務成本 · CP值)

Updated
1
DeepSeek V4.1 Flash 1017
DeepSeek
$0.60
2
Sol 6.2
OpenAI
$1.01
3
Qwen4 Max
Alibaba
$3.27
4
Kimi K3.1 Pro
Kimi
$3.68
5
Astra 6.2
OpenAI
$4.00
6
GLM-5.3
Z AI
$5.01
7
Gemini 4 Neon
Google
$6.44
8
Muse Wonder
Meta
$6.95
9
Gemini 3.8 Flash
Google
$7.77
10
Grok 4.7
SpaceXAI
$7.77
11
Opus 5.5
Anthropic
$10.04
12
Fable 5.2
Anthropic
$26.54

程式開發・AI代理

Artificial Analysis 代理評測

比較真實程式碼庫與終端機代理框架效能 (Coding Agent Index),以及 4 項模型級代理基準評測

程式開發代理框架 FrontierCode v1.1 · SWE-Atlas-QnA · Terminal-Bench v4 綜合

Coding Agent Index (綜合代理指數)

Updated

40 個代理框架中前 10 名

  1. 1
    Claude Code · Fable 5.2 (Xhigh, Default Fallback)
    Anthropic
    58.5%
  2. 2
    Devin Fusion CLI · Opus 5.5 + GPT-6 Luna
    Cognition
    58.4%
  3. 3
    Claude Code · Opus 5.5
    Anthropic
    58.2%
  4. 4
    Claude Code · Sonnet 5.5
    Anthropic
    56.3%
  5. 5
    Antigravity CLI · Gemini 4 Carbon
    Google
    55.5%
  6. 6
    Muse Code · Wonder Full
    Meta
    54.5%
  7. 7
    Codex · GPT-6.2 Astra
    OpenAI
    53.5%
  8. 8
    Codex · GPT-6 Astra
    OpenAI
    53.1%
  9. 9
    Claude Code · Fable 5.1
    Anthropic
    52.5%
  10. 10
    Antigravity CLI · Gemini 4 Hydrogen
    Google
    52.3%

Execution Time (單次執行時間 · 越低越好)

Updated

40 個代理框架中前 10 名

  1. 1
    Codex · GPT-6.2 Sol
    OpenAI
    7.2m
  2. 2
    Codex · GPT-6.2 Astra
    OpenAI
    7.8m
  3. 3
    Claude Code · Fable 5.2 (Low, Default Fallback)
    Anthropic
    13.4m
  4. 4
    Muse Code · Ember
    Meta
    19.9m
  5. 5
    Codex · GPT-6.1 Sol
    OpenAI
    21.9m
  6. 6
    Codex · GPT-6 Luna
    OpenAI
    23.5m
  7. 7
    Muse Code · Spark 1.3
    Meta
    24.4m
  8. 8
    Codex · GPT-6 Astra
    OpenAI
    26.0m
  9. 9
    Muse Code · Wonder
    Meta
    27.2m
  10. 10
    Codex · GPT-6.1 Terra
    OpenAI
    28.1m

Cost per Task (單次任務成本 · 越低越好)

39 個代理框架中前 10 名

  1. 1
    Codex · GPT-6 Luna
    OpenAI
    $0.19
  2. 2
    Muse Code · Ember
    Meta
    $0.22
  3. 3
    Mirror · Beam 1.0
    Reflection
    $0.31
  4. 4
    DeepSeek Harness · V4.1 Flash 1017
    DeepSeek
    $0.32
  5. 5
    Codex · GPT-6.2 Sol
    OpenAI
    $0.33
  6. 6
    Codex · GPT-6.2 Astra
    OpenAI
    $0.70
  7. 7
    Mistral Vibe · Large 4
    Mistral
    $1.02
  8. 8
    Codex · GPT-6.1 Sol
    OpenAI
    $1.51
  9. 9
    Codex · GPT-6.1 Terra
    OpenAI
    $1.53
  10. 10
    Claude Code · Haiku 5.5
    Anthropic
    $2.25
模型代理能力評測 依各版本最高分代表變體排名之前 10 名模型

FrontierCode (實戰軟體工程)

Updated

41 個版本中前 10 名

  1. 1
    Claude Fable 5.2 (medium)
    Anthropic
    64.0%
  2. 2
    Claude Opus 5.5 (medium)
    Anthropic
    57.1%
  3. 3
    GPT-6.1 Sol (max)
    OpenAI
    49.1%
  4. 4
    Claude Fable 5.1 (max)
    Anthropic
    49.0%
  5. 5
    Kimi K3.1 Pro
    Kimi
    47.1%
  6. 6
    GPT-6 Astra (max)
    OpenAI
    47.0%
  7. 7
    Muse Wonder (max)
    Meta
    46.5%
  8. 8
    Claude Sonnet 5.5 (xhigh)
    Anthropic
    46.1%
  9. 9
    Claude Haiku 5.5 (xhigh)
    Anthropic
    45.5%
  10. 10
    MiMo-V2.6-Pro
    Xiaomi
    45.4%

Terminal-Bench v4 (終端機自主執行)

Updated

101 個版本中前 10 名

  1. 1
    Kimi K3.1 Pro
    Kimi
    67.2%
  2. 2
    Gemini 4 Carbon (high)
    Google
    65.2%
  3. 3
    GPT-6.2 Astra (xhigh)
    OpenAI
    64.1%
  4. 4
    Claude Sonnet 5.5 (max)
    Anthropic
    63.6%
  5. 5
    Gemini 4 Neon (xhigh)
    Google
    63.6%
  6. 6
    Claude Fable 5.2 (xhigh)
    Anthropic
    61.6%
  7. 7
    GPT-6.2 Sol (max)
    OpenAI
    60.1%
  8. 8
    GPT-6 Astra (xhigh)
    OpenAI
    59.6%
  9. 9
    Claude Opus 5.5 (max)
    Anthropic
    59.6%
  10. 10
    Gemini 4 Argon (high)
    Google
    57.1%

AutomationBench-AA (SaaS 工作流程自動化)

Updated

174 個版本中前 10 名

  1. 1
    Gemini 4 Neon (xhigh)
    Google
    79.3%
  2. 2
    Gemini 4 Carbon (high)
    Google
    77.8%
  3. 3
    Gemini 4 Argon (high)
    Google
    77.5%
  4. 4
    GPT-6.2 Astra (max)
    OpenAI
    77.2%
  5. 5
    Claude Fable 5.2 (max)
    Anthropic
    76.4%
  6. 6
    Gemini 4 Hydrogen (xhigh)
    Google
    76.1%
  7. 7
    Kimi K3.1 Pro
    Kimi
    73.3%
  8. 8
    Qwen4 Max
    Alibaba
    72.6%
  9. 9
    MiniMax-M3.1-Flash
    MiniMax
    72.5%
  10. 10
    Claude Sonnet 5.5 (max)
    Anthropic
    71.8%

GDPval-AA (實務知識工作 Elo)

Updated

187 個版本中前 10 名

  1. 1
    Claude Opus 5.5 (max)
    Anthropic
    1866
  2. 2
    Kimi K3.1 Pro
    Kimi
    1861
  3. 3
    Muse Wonder Full (max)
    Meta
    1857
  4. 4
    Claude Sonnet 5.5 (max)
    Anthropic
    1838
  5. 5
    Claude Fable 5.2 (max)
    Anthropic
    1831
  6. 6
    Qwen4 Max
    Alibaba
    1809
  7. 7
    Muse Wonder (max)
    Meta
    1770
  8. 8
    Claude Fable 5.1 (max)
    Anthropic
    1765
  9. 9
    DeepSeek V4.1 Flash 1017 (max)
    DeepSeek
    1746
  10. 10
    Gemini 4 Carbon (high)
    Google
    1733

圖像・影片・音訊

Artificial Analysis Arena

依人類盲測偏好投票 (Arena Elo) 與語音辨識錯誤率 (WER) 排名的各領域頂尖模型

圖像 (Arena Elo)

115 個模型中前 10 名

  1. 1
    GPT Image 2.6 Sunburst
    OpenAI
    1261
  2. 2
    GPT Image 2.5 Sunburst
    OpenAI
    1229
  3. 3
    GPT Image 2.6 Flare
    OpenAI
    1227
  4. 4
    MAI-Image-2.7
    Microsoft AI
    1214
  5. 5
    GPT Image 2.5 Flare
    OpenAI
    1210
  6. 6
    GPT Image 2
    OpenAI
    1192
  7. 7
    Kling Image 4.0
    KlingAI
    1180
  8. 8
    Nano Banana 2.1
    Google
    1176
  9. 9
    MAI-Image-2.6
    Microsoft AI
    1168
  10. 10
    Grok Imagine Image 2.0
    SpaceXAI
    1167

影片 (Arena Elo)

34 個模型中前 10 名

  1. 1
    Wan 3.0
    Alibaba
    1174
  2. 2
    Utopai X
    Utopai Studios
    1168
  3. 3
    MiniMax H3
    MiniMax
    1159
  4. 4
    Dreamina Seedance 2.5
    ByteDance Seed
    1156
  5. 5
    Hyperflow H3
    Video Rebirth
    1154
  6. 6
    FLUX 3 Max
    Fal
    1152
  7. 7
    Gemini Omni Flash 1.2
    Google
    1151
  8. 8
    HeyGen Video 1
    HeyGen
    1149
  9. 9
    MiniMax H3 Max
    Fal
    1143
  10. 10
    FLUX 3
    Black Forest Labs
    1136

音訊 (Arena Elo)

101 個模型中前 10 名

  1. 1
    Eleven v4 Turbo
    ElevenLabs
    1341
  2. 2
    Eleven v4
    ElevenLabs
    1341
  3. 3
    Qwen-Audio-3.1-TTS-Plus
    Alibaba
    1299
  4. 4
    Sonic 3.6
    Cartesia
    1295
  5. 5
    Simba 3.5
    SpeechifyAI
    1293
  6. 6
    Gemini 3.8 Flash TTS
    Google
    1283
  7. 7
    Fish Audio Drama 3
    Fish Audio
    1279
  8. 8
    Lightning V3.1 Pro
    Smallest.ai
    1278
  9. 9
    Realtime TTS-2
    Inworld
    1270
  10. 10
    Gemini 3.8 Flash-Lite TTS
    Google
    1262
評測方法與指標指南

如何解讀 AI 基準評測指標與實務模型選型指南

單一排行榜分數難以反映正式環境中的回應延遲、推理 Token 成本與工具呼叫穩定度。本頁整合 Artificial Analysis 獨立實測數據,讓開發團隊在同一任務基準上交叉比對語言模型(LLM)、程式與工作流代理(Agent)以及多模態生成模型。

四大核心評測維度解析

LLM・推理

綜合智能指數(Intelligence Index)

加權整合數學證明、科學推理、多步邏輯、程式碼生成與指令遵循等防污染題庫,反映模型處理高難度問題的真實上限。

速度・成本

單次任務耗時與成本(Time & Cost per Task)

僅看每秒 Token 數或百萬 Token 單價,會忽略推理模型在內部思考消耗的大量 Token。任務級指標直接衡量完成整套測試所需的總分鐘數與總美元成本。

程式・代理

代理框架(Harness)與實戰工程評測

評估模型結合真實終端機與程式碼庫時的完遂率,涵蓋 FrontierCode、Terminal-Bench、AutomationBench 與 GDPval-AA 實務知識工作 Elo 及 95% 信賴區間。

多模態

盲測 Arena Elo 與語音字詞錯誤率(AA-WER)

圖像、影片生成與語音合成(TTS)採用匿名雙盲人類偏好投票計算 Arena Elo(越高越好);語音辨識(STT)則以字詞錯誤率 WER(越低越好)衡量準確度。

不同應用場景的模型選型建議

應用場景優先檢視指標實務選型建議
複雜系統架構設計、跨檔案重構與深度研究綜合智能指數・FrontierCode・Terminal-Bench優先選擇高推理強度旗艦模型搭配成熟代理框架,高一次通過率能大幅減少人工返工成本。
即時客服對話、搜尋摘要與前端互動介面單次任務耗時(分)・低延遲表現選擇不產生過多內部思考 Token 的高速輕中型模型,確保高併發下的即時體感回應。
大量文件分類、多語翻譯與結構化資料擷取批次作業單次任務成本(USD)・準確度門檻在達到品質門檻的模型中挑選單次任務總成本最低的開放權重或高性價比商用 API 模型。
廣告視覺素材、影片分鏡與多語旁白配音細分任務 Arena Elo(T2I / 編輯 / I2V / TTS)文生圖(T2I)與圖像/影片編輯(Edit)的領先模型往往不同,建議依製作流程分段搭配專用模型。

常見問題(評測指標解讀)

為什麼部分每秒輸出速度很快的模型,單次任務耗時卻更長?

推理型模型在輸出最終答案前會先生成數千個內部思考 Token。即使每秒吞吐量高,當總生成量多出 5 至 10 倍時,整體完成時間與費用仍會上升。

斜紋標示的預覽(Preview)模型代表什麼意思?

代表尚未全面正式開放(GA)的早期預覽端點或研究發布數據,其最終定價與穩定吞吐量可能變動;正式上線系統建議優先採用具完整 GA 實測值的模型。

代理評測中的 95% 信賴區間應如何解讀?

多步驟終端機與軟體工程任務具有執行波動性。若兩個模型的信賴區間重疊,代表實質能力相當,可依任務成本與回應速度作為決策依據。