方法论与数据源
这个站点存在的理由只有一个：让“哪个模型更好”这个问题有一个可以被检验的答案。
数据从哪来
分数全部来自公开评测结果，本站不做自测、不接受厂商送分、不根据商务关系调整排名。具体来源：
综合智能指数
Artificial Analysis Intelligence Index v5 / v4.3.2
科学推理
GPQA Diamond（Epoch AI、Metatext 收录）
终端 agent
Terminal-Bench 4.0（Stanford / Laude Institute）
文档生成
LiveBench Design（LiveBench 项目）
专业任务
Vals Index（Vals AI 独立运行）
价格
各厂商官方定价页（OpenAI、Anthropic、Google、DeepSeek 等）
速度
Artificial Analysis 中位吞吐与首字延迟实测
规格
Hugging Face 模型卡、各厂商技术文档
用户偏好
LMArena Text Arena Elo（匿名对战，仅作偏好侧对照，不参与排序）
本站是聚合站，不是评测机构。我们能保证的是“引用准确、来源可查、口径不混用”；无法保证每个上游评测本身绝对无偏。每次更新后用 AA 原始榜单、LMArena 排名与厂商定价页做一次交叉核对，核对结果写进更新日志；最近一次核对为 2026-11-04。涉及重大采购决策时，建议用自己业务的真实样本做一次小规模 A/B。
三个容易犯的错
跨版本比较
AA Intelligence Index 在 2026-10-27 从 v4.3.2 升到 v5。同一模型 DeepSeek V4.1 Flash 的分数从 45.1 变成 33.0 —— 不是退步，是题变难了。本站用列头版本号强制区分，两列数字永远不混排。
把“—”当 0 分
缺失数据不代表能力为零。新模型、开源模型、小众语言模型的收录率更低，直接按综合分排序会系统性低估它们。
用单价算预算
两个模型同为 $2/$10，完成同一任务的输出 token 量可能差 3 倍。Opus 5.5 单价是 Sonnet 5.5 的两倍，每任务成本只高 10%——因为它的输出更短。做预算要看每任务成本，不是每 token 价格。
更新日志
2026-11-04
Kimi K3.1 Pro 完整权重开放（开源榜易主，开放阵营 v5 天花板 32 → 46）；AA 智能指数 v5.0.1 复评刷新六项分数（Carbon 60.0、Opus 59.1、Sonnet 54.5、Sol 54.6、Terra 51.3、Argon 50.4）；Gemini 4 Carbon 恢复常规价 $4/$20；新增 Mistral Large 4（1T 开放权重）。同日 AA 11-04 重读再修两处（Muse Wonder 44.0、DeepSeek V4.1 Flash 33.0），并补录此前缺失的满血版 Muse Wonder Full（v5 50.0 / v4.3.2 56.0，仅订阅制，不入价格对比）。
2026-11-03
对照 Artificial Analysis v5 原始榜单、LMArena 与各厂商定价页逐项核对，修正 Terminal-Bench 4.0 六处、综合智能指数五处、价格六处。其中影响排序的一处：Opus 5.5 表内的 65.2% 实为 Gemini 4 Carbon 的分数，改为 59.6%；Kimi K3.1 Pro 的 67.2% 此前漏录——该项目第一是 Kimi，不是 Opus。
2026-11-03
首次发布。收录 28 个模型、6 个基准。加入 GPT-6.1 Terra（10-26）、Gemini 4 Carbon（10-28）、MiniMax M3.1 Flash（10-26）、Kimi K3.1 Pro（10-23）。
2026-10-27
Artificial Analysis 启用 Intelligence Index v5，本站同步切换主排序口径，旧版分数保留为参考列。
数据纠错
如果发现价格变动、分数更新或模型规格有误，欢迎指出。核实后会在更新日志里记录修改，不做静默改动。
联系邮箱：jiaoliudao@qq.com