模型能力

从综合智能到实际使用成本与响应体验，按八个维度了解模型能力。

综合智能

综合比较推理、编程与知识工作能力。

本组模型中，Opus 5.5 以 58 分领先，Fable 5.1 与 GPT-6 Astra 均取整为 53 分。比较时应保留图中推理档位。

分别查看编程、推理、事实知识、长上下文与视觉理解表现。

展开 19 项专项评测原图19 项评测 · 独立计分

不同任务的领先模型会变化。编程可看 Terminal-Bench 与 SciCode，长上下文推理看 AA-LCR，视觉推理看 MMMU-Pro。

评估 Agent 能否将复杂需求转化为可用的工作成果。

本组模型中，Opus 5.5 达到 1822 Elo，随后是 Fable 5.1 的 1678 和 Grok 4.7 的 1657。

在所需能力与单任务成本之间找到合适平衡。

越靠近左上方，能力越强、成本越低。虚线前沿帮助识别这组模型中兼顾能力与成本的选择。

观察完成一次评测任务需要多少推理和答案 Token。

Opus 5.5 每任务约输出 119k Token，GPT-6 Sol 约为 31k；推理 Token 占据了较大比例。

比较可容纳文档、代码与历史对话的上下文空间。

本组许多模型的上下文约为 1M Token；图中 Grok 4.7 为 500k，Mistral Medium 3.5 为 256k。

比较开始生成后，文本持续输出的速度。

本组 Gemini 3.5 Flash-Lite 达到 337 Token/秒，high 档位的 Gemini 3.8 Flash 为 285 Token/秒。更高输出速度有利于长答案的持续生成。

了解用户收到第一个答案 Token 前需要等待多久。

图中 xhigh 档位的 Grok 4.7 为 54.4 秒，max 档位的 GPT-6 Astra 为 292.2 秒。思考时间可能成为用户等待的主要部分。