你们如何为每个用例挑选最佳模型？

每张卡片都按最契合该任务的单一基准测试对模型排名：编程代理用 DeepSWE，终端和代理任务用 Terminal-Bench 4.0，高难度推理用 Humanity's Last Exam，整体质量、开放权重模型以及 FlowHunt 中的模型则用 Artificial Analysis Intelligence Index。如果有 DeepSWE 分数的模型少于三个，编程卡片会改用 SWE-bench Pro，并加以说明。

“已验证”和“自报”是什么意思？

已验证的分数由独立评测方测得，例如 Artificial Analysis、ARC Prize Foundation 或 DeepSWE 排行榜，且所有模型都采用同一套固定设置。自报的分数来自模型厂商，出自其模型卡或发布文章。只有已验证的分数计入排名。自报的分数会显示并标注，但不参与排名。当两者都有时，模型页面会同时显示两者。

为什么同一个模型在同一项基准上会有两个不同的分数？

各家实验室常用自定义的设置来测试自家模型：不同的代理框架、更长的思考时间或更大的 token 预算。独立评测方对所有模型使用同一套固定设置，因此其数字更便于比较，也往往更低。我们按独立评测的数字排名，并在模型页面保留实验室自己的数字。

什么是 Artificial Analysis Intelligence Index？

它是 Artificial Analysis 推出的独立综合评分，把代理、编程、知识和科学测试合并为一个数字。我们使用该指数的第 4 版。其分数与早期版本不可比，因此您在别处见过的旧数字看起来会更高。

DeepSWE 是一组从零编写的 113 个长篇软件任务，因此不太可能出现在训练数据中。模型必须构建或修改真实代码，并由隐藏测试判定是否成功。它比大多数前沿模型已接近满分的 SWE-bench Verified 更能清晰地拉开当今编程代理之间的差距。

为什么 SWE-bench Verified 只保留作历史参考？

前沿模型现在几乎能解决其全部 500 个 GitHub 问题，因此它们之间的差距已在噪声范围之内。我们仍在完整表格中显示它，方便您与旧报告对比，但它不再决定任何排名。

开放权重模型和闭源模型有什么区别？

开放权重模型会发布其训练好的权重，因此您可以在自有硬件上运行、让数据留在内部并进行微调。闭源模型只能通过其厂商的 API 或应用使用。使用“开放权重”筛选器即可只查看开放权重模型。

这个排行榜多久更新一次？

我们会在重要模型发布或独立评测方公布新结果时更新。页面顶部的日期显示最近一次更新，每个模型页面都列出发布日期以及每项分数的来源（如有公开）。

AI模型排行榜

为任务找到合适的AI模型

没有哪个模型能在所有方面领先，因此每张卡片会展示某一项任务下最好的三个模型，以及入选所依据的基准测试。

47个模型 · 7项基准测试 · 12家提供商 · 更新于2026年10月10日 · 评分方式

当前综合排名 #1

Claude Opus 5.5

Anthropic · 在AA Intelligence Index中得分57.6

用它构建智能体

编程智能体

完成由隐藏测试评分的长篇软件任务 · 按DeepSWE排名

GPT-6 Astra
OpenAI
74.1%
已验证
Gemini 3.8 Flash
Google
73.8%
已验证
Claude Opus 5
已被Claude Opus 5.5取代
73.6%
已验证

查看完整排名 →

终端与智能体任务

在命令行中完成多步骤工作 · 按Terminal-Bench 4.0排名

Claude Sonnet 5.5
Anthropic
63.6%
已验证
Claude Opus 5.5
Anthropic
59.6%
已验证
GPT-6 Astra
OpenAI
59.1%
已验证

查看完整排名 →

研究与高难度推理

无需工具即可回答专家级问题 · 按Humanity's Last Exam排名

Claude Opus 5.5
Anthropic
61.4%
已验证
Claude Fable 5.1
Anthropic
59.1%
已验证
Claude Fable 5
Anthropic
55.5%
已验证

查看完整排名 →

综合最佳

智能体、编程、知识与科学测试的独立综合评估 · 按AA Intelligence Index排名

Claude Opus 5.5
Anthropic
57.6
已验证
Claude Sonnet 5.5
Anthropic
56.0
已验证
Claude Fable 5.1
Anthropic
53.4
已验证

查看完整排名 →

开放权重

可自行托管或微调 · 按AA Intelligence Index排名

GLM-5.3
Zhipu (Z.AI)
44.8
已验证
Kimi K3
Moonshot AI
43.6
已验证
GLM-5.3-Flash
Zhipu (Z.AI)
41.8
已验证

查看完整排名 →

FlowHunt 中可用

现在就能在您的智能体和流程中使用 · 按AA Intelligence Index排名

Claude Opus 5.5
Anthropic
57.6
已验证
Claude Sonnet 5.5
Anthropic
56.0
已验证
Claude Fable 5.1
Anthropic
53.4
已验证

查看完整排名 →

排名

所有模型与基准测试

模型	发布时间	AA Index	DeepSWE	SWE-Pro	SWE-V	Terminal	HLE	GPQA	ARC-2
Claude Haiku 5.5 Anthropic	2026年10月7日	43.4	暂无	64.8% SR	暂无	32.8%	44.4%	暂无	暂无
Mistral Large 4 Mistral	2026年10月6日	38.4	61.7% SR	暂无	暂无	26.8%	35.0%	暂无	暂无
Gemini 4 Argon Google	2026年9月30日	52.6	77.9% SR	暂无	暂无	57.1%	57.1%	暂无	暂无
GPT-6.1 Sol OpenAI	2026年9月29日	51.8	暂无	暂无	暂无	56.1%	52.9%	暂无	94.2%
Claude Sonnet 5.5 Anthropic	2026年9月28日	56.0	71.0% SR	81.3% SR	暂无	63.6%	55.0%	暂无	暂无
Claude Opus 5.5 Anthropic	2026年9月22日	57.6	74.2% SR	89.9% SR	暂无	59.6%	61.4%	暂无	93.3%
GPT-6 Luna OpenAI	2026年9月22日	38.1	暂无	暂无	暂无	12.6%	38.5%	暂无	59.3%
Grok 4.7 xAI	2026年9月21日	46.4	71.0% SR	暂无	暂无	25.8%	43.1%	暂无	61.4%
DeepSeek V4.1 Flash DeepSeek	2026年9月10日	39.5	74.2% SR	暂无	暂无	26.8%	39.2%	90.9% SR	72.9%
GPT-6 Astra OpenAI	2026年9月3日	52.7	74.1%	暂无	暂无	59.1%	54.7%	96.1%	95.0%
Gemini 3.8 Flash Google	2026年9月2日	40.9	73.8%	暂无	80.0%	19.7%	47.8%	95.3%	89.2%
Muse Spark 1.3 Meta	2026年9月2日	48.1	75.4% SR	暂无	暂无	33.3%	48.7%	93.5%	暂无
Claude Fable 5.1 Anthropic	2026年9月1日	53.4	67.4% SR	81.2% SR	暂无	52.0%	59.1%	93.7%	90.0%
GLM-5.3-Flash Zhipu (Z.AI)	2026年8月26日	41.8	63.4%	暂无	92.0%	32.8%	39.9%	91.2%	65.8%
GLM-5.3 Zhipu (Z.AI)	2026年8月18日	44.8	69.0%	暂无	95.4%	41.9%	42.3%	91.7%	暂无
DeepSeek V4-Pro DeepSeek	2026年8月13日	36.0	62.8%	暂无	96.4%	14.1%	41.0%	92.8%	61.3%
Qwen3.8-27B Alibaba	2026年8月5日	33.7	暂无	61.7% SR	86.0%	5.6%	33.9%	90.5%	42.4%
Qwen3.8 Max Alibaba	2026年8月3日	45.4	57.5%	67.7% SR	85.6%	38.9%	43.1%	92.8%	暂无
Claude Opus 5 Anthropic	2026年7月24日	50.8	73.6%	79.2% SR	97.0%	49.0%	54.9%	93.2%	90.4%
Gemini 3.5 Flash-Lite Google	2026年7月21日	22.2	暂无	暂无	暂无	1.0%	18.8%	83.8%	暂无
Kimi K3 Moonshot AI	2026年7月16日	43.6	68.5%	暂无	93.4%	12.6%	46.9%	93.5%	60.4%
GPT-5.6 Sol OpenAI	2026年7月9日	47.0	72.7%	64.6% SR	96.2%	39.9%	49.5%	94.1%	92.5%
Claude Sonnet 5 Anthropic	2026年6月30日	38.2	53.8%	63.2% SR	79.6%	14.1%	41.3%	91.1%	暂无
Claude Fable 5 Anthropic	2026年6月9日	49.6	69.9%	80.3% SR	95.0% SR	42.4%	55.5%	92.6%	89.2%
Nemotron 3 Ultra NVIDIA	2026年6月4日	22.9	暂无	暂无	69.0%	0.5%	28.4%	86.7% SR	暂无
MiniMax M3 MiniMax	2026年6月1日	29.2	暂无	59.0% SR	75.0%	2.0%	39.0%	92.9%	暂无
Qwen 3.7-Plus Alibaba	2026年6月1日	25.2	暂无	暂无	暂无	1.0%	35.6%	90.0%	暂无
Claude Opus 4.8 Anthropic	2026年5月28日	41.8	59.0%	69.2% SR	88.6% SR	21.7%	48.7%	92.0%	72.1%
Qwen 3.7-Max Alibaba	2026年5月20日	29.5	暂无	60.6% SR	68.8%	1.5%	40.5%	92.3%	暂无
DeepSeek V4-Flash DeepSeek	2026年4月24日	24.2	53.0%	暂无	79.0% SR	2.5%	暂无	89.4%	暂无
GPT-5.5 OpenAI	2026年4月23日	38.4	67.0%	58.6% SR	82.6%	14.6%	45.8%	93.5%	85.0%
Claude Opus 4.7 Anthropic	2026年4月1日	40.7	暂无	64.3% SR	82.0%	暂无	42.3%	91.4%	75.8%
Nemotron 3 Super NVIDIA	2026年3月11日	12.8	暂无	暂无	60.5% SR	0.0%	20.8%	80.0%	暂无
GPT-5.4 OpenAI	2026年3月5日	39.0	51.8%	59.1%	78.2%	暂无	43.7%	92.0%	74.0%
Gemini 3.1 Pro Google	2026年2月19日	29.7	11.7%	54.2% SR	78.8%	4.0%	47.0%	94.1%	77.1%
Claude Sonnet 4.6 Anthropic	2026年2月17日	30.1	29.9%	暂无	77.4%	3.0%	33.6%	87.5%	60.4%
Claude Opus 4.6 Anthropic	2026年2月5日	31.9	暂无	57.3% SR	78.2%	暂无	39.9%	89.6%	69.2%
Mistral Large 3 Mistral	2025年12月2日	9.3	暂无	暂无	41.4%	0.0%	4.2%	68.0%	暂无
Claude Haiku 4.5 Anthropic	2025年10月1日	暂无	暂无	暂无	66.6%	暂无	暂无	72.2%	4.0%
GPT-5 OpenAI	2025年8月7日	23.0	暂无	暂无	69.0%	暂无	28.5%	85.4%	9.9%
Mistral Medium 3 Mistral	2025年5月1日	9.0	暂无	暂无	暂无	暂无	4.0%	57.8%	暂无
GPT-4.1 OpenAI	2025年4月14日	12.7	暂无	暂无	54.6% SR	暂无	4.2%	66.6%	0.4%
Llama 4 Maverick Meta	2025年4月5日	10.0	暂无	暂无	暂无	0.0%	4.9%	67.1%	0.0%
Llama 4 Scout Meta	2025年4月5日	8.1	暂无	暂无	暂无	0.0%	3.8%	58.7%	0.0%
Llama 3.3 70B Meta	2024年12月6日	7.7	暂无	暂无	暂无	暂无	3.6%	49.8%	暂无
GPT-4o OpenAI	2024年5月13日	8.4	暂无	暂无	33.2% SR	暂无	2.4%	54.3%	暂无
Mixtral 8x7B Mistral	2023年12月1日	5.1	暂无	暂无	暂无	暂无	4.7%	29.2%	暂无

评分方式

只有由独立评测机构测得的已验证分数才会计入排名。自报告的分数来自模型开发者；我们会显示并标注，但绝不计入排名。仅向部分测试者开放的模型会列在表中，但绝不参与排名。若分数取自他人的比较，则会链接到该来源。

在 FlowHunt 中使用这些模型

标有 FlowHunt 中可用 的模型可以直接在FlowHunt AI代理、流程和FlowHunt桌面应用中选用。打开任意模型即可查看其完整的基准测试明细、上下文窗口以及最适合的工作。

常见问题

: 每张卡片都按最契合该任务的单一基准测试对模型排名：编程代理用 DeepSWE，终端和代理任务用 Terminal-Bench 4.0，高难度推理用 Humanity's Last Exam，整体质量、开放权重模型以及 FlowHunt 中的模型则用 Artificial Analysis Intelligence Index。如果有 DeepSWE 分数的模型少于三个，编程卡片会改用 SWE-bench Pro，并加以说明。
: 已验证的分数由独立评测方测得，例如 Artificial Analysis、ARC Prize Foundation 或 DeepSWE 排行榜，且所有模型都采用同一套固定设置。自报的分数来自模型厂商，出自其模型卡或发布文章。只有已验证的分数计入排名。自报的分数会显示并标注，但不参与排名。当两者都有时，模型页面会同时显示两者。
: 各家实验室常用自定义的设置来测试自家模型：不同的代理框架、更长的思考时间或更大的 token 预算。独立评测方对所有模型使用同一套固定设置，因此其数字更便于比较，也往往更低。我们按独立评测的数字排名，并在模型页面保留实验室自己的数字。
: 它是 Artificial Analysis 推出的独立综合评分，把代理、编程、知识和科学测试合并为一个数字。我们使用该指数的第 4 版。其分数与早期版本不可比，因此您在别处见过的旧数字看起来会更高。
: DeepSWE 是一组从零编写的 113 个长篇软件任务，因此不太可能出现在训练数据中。模型必须构建或修改真实代码，并由隐藏测试判定是否成功。它比大多数前沿模型已接近满分的 SWE-bench Verified 更能清晰地拉开当今编程代理之间的差距。
: 前沿模型现在几乎能解决其全部 500 个 GitHub 问题，因此它们之间的差距已在噪声范围之内。我们仍在完整表格中显示它，方便您与旧报告对比，但它不再决定任何排名。
: 开放权重模型会发布其训练好的权重，因此您可以在自有硬件上运行、让数据留在内部并进行微调。闭源模型只能通过其厂商的 API 或应用使用。使用“开放权重”筛选器即可只查看开放权重模型。
: 我们会在重要模型发布或独立评测方公布新结果时更新。页面顶部的日期显示最近一次更新，每个模型页面都列出发布日期以及每项分数的来源（如有公开）。