听月tyue.com

Benchmark

AI 模型全面评测

同一套标准、同一批题目、同一群评审。我们持续评测 52 款主流模型，所有分数都可追溯到测试记录。

最近更新 2026-07-09 评测集 1,240 题 人工复核 3 轮

编辑推荐

四款值得先试的模型

评分维度：推理 / 代码 / 创作 / 长上下文 / 性价比
综合最强
💎
旗舰

GPT-5.6 Sol

OpenAI · 2026.07
推理
97
代码
96
多模态
94
综合97
🧠
旗舰

Claude Fable 5

Anthropic · 2026.07
推理
94
代码
95
安全
99
综合96
性价比冠军
🚀
开源

混元 Hy3

腾讯 · 2026.07 · Apache 2.0
推理
86
代码
87
性价比
99
综合91
⚡
开源

DeepSeek V4

DeepSeek · 2026.04 · MIT
推理
90
代码
93
长上下文
95
综合94

详细对比

完整模型对比表

点击表头可排序。价格单位为每百万 tokens，取输入/输出平均值。

类型
模型 开发商 类型 推理 代码 创作 上下文 价格 ¥/M 推荐场景
💎GPT-5.6 Sol2026.07
 OpenAI 旗舰
97
96
94
 400K ¥70 / ¥280 复杂推理、多智能体任务
🧠Claude Fable 52026.07
 Anthropic 旗舰
94
95
97
 200K ¥65 / ¥260 长文写作、合规与安全
🌐Gemini 3.1 Pro2026.06
 Google 旗舰
92
90
93
 2M ¥45 / ¥180 超长视频、多模态检索
🚀Grok 4.52026.07
 xAI 旗舰
91
94
90
 256K ¥38 / ¥152 编程智能体、代码库重构
🇨🇳混元 Hy32026.07 · 开源
 腾讯 开源
86
87
89
 256K ¥1 / ¥4 中文内容、低成本批量任务
⚡DeepSeek V42026.04 · 开源
 DeepSeek 开源
90
93
88
 1M ¥2 / ¥8 百万上下文、私有化部署
🐱LongCat-2.02026.07 · 开源
 美团 开源
88
92
86
 1M ¥3 / ¥12 大型工程、SWE 类任务
🔷GLM 5.12026.05 · 开源
 智谱 AI 开源
84
85
88
 200K ¥4 / ¥16 中文理解、Agent 工具链
🌙GPT-5.6 Luna2026.07 · 轻量
 OpenAI 轻量
82
83
84
 128K ¥3 / ¥12 日常问答、高并发调用
🟣Qwen3-Turbo2026.03 · 轻量
 阿里云 轻量
80
81
82
 128K ¥1.2 / ¥4.8 端侧、客服与分类任务

评测口径：自建 1,240 题测试集 + 公开基准（SWE-bench、GPQA、LiveBench）加权，分数为 2026-07-09 快照。价格随厂商调整，以官方为准。

场景推荐

按需求选模型

没有全能冠军，只有最适合当前任务的那一个。

复杂推理

GPT-5.6 Sol

多步数学、法律条文比对、科研假设推演。Sol Pro 可并行多智能体降低总成本。

长文与写作

Claude Fable 5

十万字级稿件、风格一致性要求高的品牌内容，安全边界也更稳。

编程智能体

Grok 4.5 / Claude

仓库级重构与跨文件调试，配合 Cursor 的上下文选择效果最好。

成本敏感

混元 Hy3

¥1/¥4 的价格区间，中文内容质量稳定，适合批量生成与初筛。

私有化部署

DeepSeek V4

MIT 协议可商用，1M 上下文 + 稀疏注意力，显存占用友好。

超长视频

Gemini 3.1 Pro

2M 上下文，两小时素材可定位到具体时间点，适合会议与课程。

评测方法

分数是怎么来的

推理 30%、代码 25%、创作 20%、长上下文 15%、性价比 10%。公开基准成绩会按题目难度加权换算，避免"刷榜"带来的失真。
产品侧的系统提示、工具能力与上下文管理会显著影响体验。我们评测的是模型 API，不是某个客户端。
新模型发布 72 小时内上线初评，每月做一次全量复测。价格变动会随时同步。
可以。通过 hello@tyue.com 提交模型信息与 API 额度，我们会在两周内安排评测并公开结果。