AZ.FN

简体中文

English

简体中文

English

外观

LLM模型对比

3684 字约 12 分钟

domain/aiai/toolsai/models

2026-07-24

截至 2026 年 6 月 24 日，主流 LLM 的全维度对比：前沿基准（GPQA/SWE-bench/AIME/HLE）、定价、功能特性、部署方式。帮助按场景做选型决策。

一句话解释

LLM 模型对比是按场景（编码/推理/成本/延迟）评估 Claude/GPT/Gemini/DeepSeek/Qwen 等主流模型的优劣势，没有万能模型，只有最适合当前任务的模型。

核心问题：为什么需要系统对比？

  • 模型数量爆发：2025-2026 年主流模型从个位数增长到 50+，各有专长
  • 性能差异显著：同一模型在不同任务上表现可能天差地别
  • 成本差距巨大：最贵和最便宜的模型价格差可达 50 倍
  • 迭代速度极快：模型每 2-3 个月就有重大更新，去年的对比数据已彻底过时
  • 部署方式不同：API/Self-host/Edge 各有适用场景

主流模型全景

闭源 Frontier 模型（2026 年 6 月）

模型厂商架构上下文发布
Claude Mythos 5AnthropicDense Transformer1M2026.06 ⚠️ 暂停访问
Claude Fable 5AnthropicDense Transformer1M2026.06 ⚠️ 暂停访问
Claude Opus 4.8AnthropicDense Transformer1M2026.05
Claude Opus 4.7AnthropicDense Transformer200K2025.12
Claude Opus 4.6AnthropicDense Transformer1M2025.09
Claude Sonnet 4.5AnthropicDense Transformer200K2025.12
GPT-5.5 ProOpenAIDense Transformer (并行计算)1M2026.04
GPT-5.5OpenAIDense Transformer1M2026.04
GPT-5.4 ProOpenAIDense Transformer1M2026.03
GPT-5.3 CodexOpenAIDense Transformer1M2026.03
GPT-4.1OpenAIDense Transformer1M2025.04
GPT-4oOpenAIDense Transformer128K2024.05
Gemini 3.1 ProGoogleMoE Transformer1M2026.02
Gemini 3 ProGoogleMoE Transformer2M2025.11
Gemini 2.5 ProGoogleMoE Transformer2M2025.03
Grok 4.xxAIDense Transformer256K2026
Qwen3.7 MaxAlibabaMoE1M2026.05 API-only
Kimi K2.6 ThinkingMoonshotMoE256K2026.04

开源/Open-weight 模型

模型厂商架构参数量(总/活跃)上下文许可证
DeepSeek V4 ProDeepSeekMoE1.6T / 49B1MMIT
DeepSeek V4 FlashDeepSeekMoE284B / 13B1MMIT
DeepSeek R2DeepSeekMoE (RL 推理)671B / 37B128KMIT
DeepSeek V3DeepSeekMoE671B / 37B128KMIT
DeepSeek R1DeepSeekMoE (RL 推理)671B / 37B128KMIT
Qwen3.5-122B-A10BAlibabaMoE122B / 10B128KApache 2.0
Qwen3-235B-A22BAlibabaMoE235B / 22B128KApache 2.0
Qwen3-32BAlibabaDense32B128KApache 2.0
Llama 4 ScoutMetaMoE109B / 17B10MLlama 4 Community
Llama 4 MaverickMetaMoE—1MLlama 4 Community
GLM-5.2Z.AIDense—1MOpen
Kimi K2.5MoonshotMoE——Open
Command A+CohereDense—256KProprietary (free)
Mistral LargeMistralMoE—256K—

性能基准对比

⚠️ 数据说明：数据综合自 Vellum、BenchLM、Artificial Analysis、Epoch AI、llmleaderboard.in 等独立评测方（2026 年 6 月）。MMLU 和 HumanEval 已饱和，前沿评测已转向 GPQA Diamond / SWE-bench / AIME / HLE。 "—" 表示无公开发布数据。同一 benchmark 不同评测方结果可能有 3-8% 差异。

推理与知识（当前核心区分基准）

模型GPQA DiamondHLE (无工具)ARC-AGI-2MMLU-Pro
Claude Mythos 594.6%64.5%——
Claude Fable 594.5%56.8%——
GPT-5.4 Pro94.5%———
Claude Opus 4.894.4%57.9%——
Gemini 3.1 Pro94.3%45.8%77.1%—
Claude Opus 4.794.2%———
GPT-5.593.6%43.1%——
GPT-5.492.8%———
Gemini 3 Pro92.1%37.5%59.7%—
Qwen3.7 Max92.4%38.1%—89.6%
Claude Opus 4.691.2%34.4%68.8%—
Kimi K2.691.1%44.9%——
DeepSeek R289.3%———
DeepSeek V4 Pro88.8%35.9%—87.5%
Claude Opus 4.587.3%—37.6%89.5%

💡 GPQA Diamond（研究生级科学推理）是目前最可靠的推理区分基准。Frontier 模型从 87% 到 94.6% 分布，仍能有效拉开差距。HLE（Humanity's Last Exam） 是当前天花板——人类专家~90%，Claude Mythos 5 达 64.5% 是首次大幅突破。

编码

模型SWE-bench VerifiedSWE-bench ProTerminal-Bench 2.0/2.1
Claude Mythos 595.5%80.3%—
Claude Fable 595.0%80.3%88.0%
Claude Opus 4.888.6%69.2%74.6%
Claude Opus 4.787.6%—90.2%
Claude Sonnet 4.582.0%——
GPT-5.578.6%58.6%83.4%
GPT-5.477.4%59.1%81.8%
Gemini 3.1 Pro80.6%46.1%74.8%
Gemini 3 Pro76.3%——
DeepSeek V4 Pro80.6%—67.9%
DeepSeek R272.4%——
Kimi K2.680.2%——
GPT-4.154.6%——

💡 SWE-bench Verified 是编码基准的主流参考，但需要注意数据污染问题（OpenAI 审计发现 59.4% 的 Hard 任务有缺陷）。SWE-bench Pro（Scale AI，1865 个多语言任务）是更新更严的标准。Terminal-Bench 衡量终端/CLI 编码能力。

数学

模型AIME 2025MATH-500FrontierMath T1-3FrontierMath T4
GPT-5.2100%———
Gemini 3 Pro100%———
Claude Opus 4.699.8%———
Kimi K2 Thinking99.1%———
Claude Fable 5——87.0%87.8%
GPT-5.5 Pro——87.7%78.0%
Claude Opus 4.5 Sonnet————
DeepSeek R1~70%97.3%——
Qwen3.7 Max————
GPT-4o—76.6%——

💡 AIME 2025（竞赛数学）多个模型已达 100%，区分度正在下降。FrontierMath（Epoch AI）是目前最难的数学基准——研究生级问题，Claude Opus 4.5 在 2026 年初得分 <10%，半年后 Fable 5 已达 87.8%。

关键解读

  1. 编码领域 Anthropic 一骑绝尘：Claude 系列在 SWE-bench 上持续大幅领先，Mythos/Fable 5 达 95%+，领先 GPT-5.5 约 15-20 个百分点
  2. 推理基准竞争白热化：GPQA Diamond 上 Frontier 模型差距在 2-3% 以内，Claude 略领先，但 HLE 上差距更大（Claude Mythos 64.5% vs GPT-5.5 43.1%）
  3. AIME 趋近饱和：多个模型达 100%，FrontierMath 成为新的数学区分基准
  4. 开源与闭源差距在编码上最大：SWE-bench 上 DeepSeek V4 Pro 80.6% 逼近 GPT-5.5 的 78.6%，但在 SWE-bench Pro 上差距更大
  5. MMLU 和 HumanEval 已退役：几乎所有前沿模型在这两个基准上得分 >88%，已失去区分意义
  6. ⚠️ 注意 Benchmark 污染：SWE-bench Verified 被证实存在数据污染问题，OpenAI 已停止报告 Verified 分数

定价对比

价格截至 2026 年 6 月。单位：美元/百万 tokens。Cache/batch/批量折扣未列。标注 "—" 表示未公开。

模型输入价格输出价格上下文备注
Claude Mythos 5— (有限访问)—1M暂停
Claude Fable 5$10.00$50.001M暂停
Claude Opus 4.8$5.00$25.001M—
Claude Opus 4.7$5.00$25.00200K—
Claude Sonnet 4.5$3.00$15.00200K—
GPT-5.5 Pro$30.00$180.001M并行计算
GPT-5.5$5.00$30.001M—
GPT-5.4 Pro$30.00$180.001M—
GPT-5.4$5.00$30.001M—
GPT-5.3 Codex$1.75$14.001M开放权重
GPT-4.1$2.00$8.001M—
GPT-4o$2.50$10.00128K—
Gemini 3.1 Pro$2.00$12.001M多模态
Gemini 3 Pro$2.00$12.002M—
Gemini 2.5 Flash$0.15$0.601M—
DeepSeek V4 Pro$0.44$0.871MMIT，永久低价
DeepSeek V4 Flash$0.14$0.281MMIT
DeepSeek R2$0.55$2.19128KMIT
DeepSeek V3$0.27$1.10128KMIT
Qwen3.7 Max$2.50$7.501MAPI-only
Qwen3.5-122B~$0.50~$1.50128KApache 2.0
Kimi K2.6$0.75$3.50256K—
Command A+$0.00$0.00256K免费层
Grok 4~$2.00~$10.00256K—

定价模式关键趋势

  • 推理成本断崖式下降：DeepSeek V4 Pro $0.44/$0.87 比半年前的 V3 还便宜 60%，质量接近 GPT-5.5 级别
  • 免费模型层成熟：Cohere Command A+、Google Gemma 4 等提供全免费层，质量可用
  • OpenAI 溢价分层明显：GPT-5.5 Pro 输出 $180/M，但 GPT-5.3 Codex 开放权重仅 $1.75/$14，差了 13 倍
  • Anthropic 定位高端：Fable 5 $10/$50 是最贵的非 Pro 模型，但 Benchmark 领先最多
  • 推理模型隐性成本：Chain-of-Thought 产生 2-5 倍额外输出 token，实际总成本远高于表列价格
  • Qwen3.7 Max 性价比突出：$2.50/$7.50 做到 GPQA 92.4%、SWE-Pro 60.6%，是中文场景首选

功能特性对比

特性GPT-5.5Claude 4.7+Gemini 3.1DeepSeek V4Qwen3.7 Max
多模态输入✅ 文本/图像/音频✅ 文本/图像/音频✅ 文本/图像/音频/视频❌ 仅文本✅ 文本/图像
多模态输出✅ DALL-E 集成✅ 文本✅ 图像生成❌❌
工具调用✅ 成熟领先✅ 成熟✅ 成熟✅ 增强✅
结构化输出✅ JSON Schema✅ JSON Schema✅ JSON Schema✅ JSON✅
MCP 协议⚠️ 第三方✅ 原生支持⚠️ 第三方✅ 兼容⚠️
Function Calling✅ 领先✅ 优秀✅ 优秀✅✅
Streaming✅✅✅✅✅
缓存✅ Prompt Caching✅ Prompt Caching✅ Context Caching❌❌
Batch API✅ 50% 折扣✅ 50% 折扣✅✅✅
微调✅❌✅❌❌ (API-only)
自部署❌❌❌✅ MIT❌ (API-only)
Agent 能力✅ 强✅ 强✅ 中✅ 强✅ 中
代码执行✅ Code Interpreter✅ Artifacts✅ Code Execution❌❌

可视化定位

选型决策树

按任务场景

按预算

预算推荐模型
🆓 免费/极低DeepSeek V4 Flash (MIT自部署)、Command A+ (免费层)、Gemma 4、Qwen3.5 (Apache 2.0)
💰 低 ($0-100/月)DeepSeek V4 Pro ($0.44/$0.87)、Gemini 2.5 Flash、GPT-4o Mini
💵 中 ($100-1000/月)GPT-4o + Claude Sonnet 4.5 + Gemini 3.1 Pro 混合
💳 高 ($1000-10000/月)多模型路由：Claude Opus 4.8 + GPT-5.5 + Gemini 3.1 Pro 按任务切换
🏢 企业级Enterprise 协议 + 私有部署 (DeepSeek V4 / Qwen3.5 / Llama 4)

按部署方式

云 API → 质量优先: Claude Opus 4.8 / GPT-5.5
         性价比优先: DeepSeek V4 Pro / Gemini 3.1 Pro
         多模型路由: 按任务动态选择 (业界最佳实践)

自部署 → 旗舰级(48GB+ VRAM): DeepSeek V4 Pro (1.6T/49B active)
         中端(24GB VRAM):  Qwen3.5-35B-A3B, Llama 4 Scout
         端侧(8-16GB):     Qwen3-4B, Gemma 4, Phi-4

混合 → 日常用 DeepSeek V4 Pro API，敏感数据自部署 Qwen，复杂任务路由到 Claude/GPT

选型铁律

  1. 没有万能模型 — 用 $180/M 的 GPT-5.5 Pro 做翻译、用 DeepSeek V4 写前端都是错的。按任务路由
  2. 不要只信 Benchmark — SWE-bench Verified 已被污染，同一模型不同评测方差 10%。实际业务 A/B 测试才可靠
  3. 保持模型无关性 — 通过 LiteLLM/OpenRouter/OpenAI SDK 兼容层保持切换灵活性
  4. 推理模型总成本 = (输入 + 输出 × 2~5) × 调用量 — Chain-of-Thought 输出 token 数倍于输入
  5. 多模型策略 > 单模型 — 78% 的企业已在用多模型路由。简单任务用便宜模型，复杂任务用旗舰
  6. 速度也是能力 — 延迟 200ms vs 2s 对交互式应用的影响超过 5% 的 Benchmark 差异
  7. 关注活跃参数而非总参数 — MoE 模型下总参数 1.6T 但活跃仅 49B，推理成本接近 49B 稠密模型

常见误区

  • "最强的就是最好的" — Claude Fable 5 比 DeepSeek V4 Pro 贵 57 倍，但质量差距远小于这个倍数
  • "价格便宜的质量就差" — DeepSeek V4 Pro 是 GPT-5.5 的 1/11 价格，SWE-bench Verified 分数反超
  • "开源模型不如闭源" — DeepSeek V4 Pro 在编码任务上接近甚至超越 GPT-5.5，且可自部署
  • "Benchmark 即真理" — SWE-bench Verified 已被 OpenAI 验证存在严重数据污染，各评测方差大
  • "一个模型用到底" — 单一模型策略要么成本高要么质量差，按场景路由是唯一正确答案
  • "MMLU 高分就是好模型" — MMLU 已饱和（88-92%），已不能区分前沿模型能力
  • "Chatbot Arena Elo 代表真实能力" — Arena 排名受 UI/品牌/用户偏差影响，与任务基准不完全相关

选型总结速查

你的需求首选模型性价比替代自部署替代
编码 (最高质量)Claude Fable 5 / Opus 4.8GPT-5.3 CodexDeepSeek V4 Pro
编码 (日常)Claude Sonnet 4.5DeepSeek V4 ProDeepSeek V4 Flash
通用推理GPT-5.5 / Gemini 3.1 ProQwen3.7 MaxDeepSeek V4 Pro
数学/科学Claude Opus 4.6 / Kimi K2DeepSeek R2—
RAG/长上下文Gemini 3.1 Pro (1M)GPT-4.1 (1M)—
AgentGPT-5.5 / Claude Fable 5DeepSeek V4 ProDeepSeek V4 Pro
多模态Gemini 3.1 Pro / GPT-5.5GPT-4o—
中文Qwen3.7 MaxGPT-4oQwen3.5-122B
最便宜DeepSeek V4 FlashCommand A+ (免费)DeepSeek V4 Flash

与其他概念的关系

可继续补充的方向

数据来源：Vellum LLM Leaderboard (2026.06.09)、BenchLM.ai (2026.06.18)、llmleaderboard.in (2026.06.06)、Artificial Analysis Intelligence Index v4.0、Epoch AI (2026.06.24)、CodingFleet Claude Fable 5 vs GPT-5.5 Pro 对比 (2026.06.10)

贡献者: fly