BenchLeader

并排对比 AI 模型

截至 2026年11月16日,排名前两位的模型是 Claude Fable 5.2(Anthropic,72.7)和 Gemini 4 Carbon(Google,68.9),BenchLeader Index 相差 3.8 分。前 10 名中最便宜的是 Gemini 4 Carbon,每百万 token 混合价格为 $4.00。BenchLeader 共有 1831 组对比页面,每页都包含结论、各类别胜负、每百万 token 价格和速度。

最多可选 6 个模型。页面会给出通俗易懂的结论、标出每行最佳数值的规格表、一张图表,并把全部基准测试分数并排列出。

所有模型的每百万 token 价格 →

Claude Fable 5.2maxGemini 4 Carbonhigh
拖动模型即可调整顺序。
结论
  • 质量上 Claude Fable 5.2 (max) 领先:72.7 比 68.9。
  • Claude Fable 5.2 (max) 在智能体与工具、编程、知识、长上下文、数学、推理方面最强。
  • Gemini 4 Carbon (high) 在人类偏好方面最强。
  • Gemini 4 Carbon (high) 更便宜:Claude Fable 5.2 (max) 的价格是它的 4.0 倍(每百万 token 混合价格 $4.00 比 $16.00)。
  • Claude Fable 5.2 (max) 输出最快,达 109 token/秒,是 Gemini 4 Carbon (high) 的 1.7 倍。
  • Gemini 4 Carbon (high) 在 1.2 分钟 内开始回答,Claude Fable 5.2 (max) 则需要 3.9 分钟。
指标Claude Fable 5.2
max Anthropic
Gemini 4 Carbon
high Google
质量
BenchLeader Index50 = 模型平均水平72.7(所比较模型中的最佳值)68.9
推理75.7(所比较模型中的最佳值)73.2
编程79.7(所比较模型中的最佳值)74.1
智能体与工具77.3(所比较模型中的最佳值)70.3
数学74.5(所比较模型中的最佳值)71.9
知识86.3(所比较模型中的最佳值)76.1
人类偏好–72.6
长上下文66.4(所比较模型中的最佳值)64.3
综合–70.3
速度与延迟
输出速度109 tok/s(所比较模型中的最佳值)64 tok/s
首 token 延迟3.88 秒(所比较模型中的最佳值)7.04 秒
首次回答时间推理结束之后232.1 秒73.5 秒(所比较模型中的最佳值)
上下文窗口1M1.0M(所比较模型中的最佳值)
价格
输入(每百万 token)$8.00$2.00(所比较模型中的最佳值)
输出(每百万 token)$40.00$10.00(所比较模型中的最佳值)
混合价格(输入 3 : 输出 1)$16.00$4.00(所比较模型中的最佳值)
缓存输入(每百万 token)提示缓存读取价格$0.200$0.100(所比较模型中的最佳值)
每美元 Index4.517.2(所比较模型中的最佳值)
每项任务的成本与耗时
聊天回复:成本输入 400 / 输出 300$0.015$0.0038(所比较模型中的最佳值)
聊天回复:使用缓存时的成本缓存命中率 75%$0.013$0.0032(所比较模型中的最佳值)
聊天回复:耗时3.9 分钟1.3 分钟(所比较模型中的最佳值)
总结一份 30 页的报告:成本输入 12,000 / 输出 600$0.120$0.030(所比较模型中的最佳值)
总结一份 30 页的报告:使用缓存时的成本缓存命中率 75%$0.050$0.013(所比较模型中的最佳值)
总结一份 30 页的报告:耗时4.0 分钟1.4 分钟(所比较模型中的最佳值)
代码编辑:成本输入 6,000 / 输出 1,500$0.108$0.027(所比较模型中的最佳值)
代码编辑:使用缓存时的成本缓存命中率 75%$0.073$0.018(所比较模型中的最佳值)
代码编辑:耗时4.1 分钟1.6 分钟(所比较模型中的最佳值)
智能体编程会话:成本输入 60,000 / 输出 4,000$0.640$0.160(所比较模型中的最佳值)
智能体编程会话:使用缓存时的成本缓存命中率 75%$0.289$0.074(所比较模型中的最佳值)
智能体编程会话:耗时4.5 分钟2.3 分钟(所比较模型中的最佳值)
结构化信息提取:成本输入 2,000 / 输出 200$0.024$0.0060(所比较模型中的最佳值)
结构化信息提取:使用缓存时的成本缓存命中率 75%$0.012$0.0032(所比较模型中的最佳值)
结构化信息提取:耗时3.9 分钟1.3 分钟(所比较模型中的最佳值)

图表

质量对比维度:所选模型带圆圈和标签,其余为前沿模型。
40506070$0.100$0.200$0.500$1.00$2.00$5.00$10.00$20.00混合价格,每百万 token 美元(对数)BenchLeader IndexClaude Fable 5.2 (max)Gemini 4 Carbon (high)

灰色虚线阶梯:前沿,即在两个轴上都不被图中其他任何模型超越的模型。

全部基准测试

按类别并排列出原始分数,每行的最佳数值以紫色标出。标注“参考”的基准测试仅供展示,不计入 Index。

基准测试 Claude Fable 5.2 max Gemini 4 Carbon high
推理
GPQA Diamond93.9%96.5%(所比较模型中的最佳值)
Arena Hard Prompts–1547
LiveBench 2.0 Reasoning(参考)–90.6%
Humanity's Last Exam (AA)(参考)74.3%–
HLE-Diamond (AA)80.2%(所比较模型中的最佳值)69.1%
ARC-AGI-197.5%(所比较模型中的最佳值)97.5%(所比较模型中的最佳值)
ARC-AGI-292.5%(所比较模型中的最佳值)92.1%
ARC-AGI-394.9%96.9%(所比较模型中的最佳值)
CritPt(参考)35.4%–
CritPt v2 hard subset (AA)76.5%(所比较模型中的最佳值)69.0%
Arena Expert(参考)–1567
Chess Puzzles(参考)79.0%(所比较模型中的最佳值)78.0%
Mystery Game Puzzles(参考)90.0%(所比较模型中的最佳值)73.0%
编程
SciCode67.7%(所比较模型中的最佳值)64.2%
Arena Coding–1568
Arena WebDev–1768
LiveBench 2.0 Coding(参考)–91.0%
SciCode (AA)(参考)67.7%–
Vibe Code Bench v1.1(参考)–89.1%
Vibe Code Bench 1-100 v1.1(参考)–49.7%
CursorBench(参考)60.0%60.4%(所比较模型中的最佳值)
FrontierSWE(参考)69.9%(所比较模型中的最佳值)61.2%
Terminal-Bench 4.0 (AA)(参考)59.6%65.2%(所比较模型中的最佳值)
FrontierCode 1.1 (AA)(参考)56.2%–
FrontierCode 2.0 (AA)48.8%(所比较模型中的最佳值)40.6%
智能体与工具
Terminal-Bench65.8%(所比较模型中的最佳值)64.5%
Arena Agent30.4(所比较模型中的最佳值)17
LiveBench Long Agentic(参考)–72.7%
LiveBench Browser(参考)–80.0%
GDPval-AA v2.1(参考)1831(所比较模型中的最佳值)1733
Finance Agent v2.1(参考)–67.2%
Harvey's Legal Agent Benchmark v1.1(参考)–17.5%
Legal Research Bench(参考)–55.8%
Tax Agent Bench(参考)–51.8%
Terminal-Bench 4.0 (Vals)(参考)–63.1%
Arena Agent Task Completion(参考)22(所比较模型中的最佳值)18.4
SpireClimb(参考)15.3%–
AutomationBench(参考)76.4%77.8%(所比较模型中的最佳值)
GDP.pdf (AA)(参考)24.2%28.4%(所比较模型中的最佳值)
Harvey LAB-AA v1.1(参考)7.2%–
AA-Briefcase v1.1(参考)1785(所比较模型中的最佳值)1611
GDPx(参考)16.4%(所比较模型中的最佳值)10.9%
Terminal-Bench-Science 0.1 (AA)(参考)73.3%(所比较模型中的最佳值)64.8%
MKA (AA)(参考)56.6%(所比较模型中的最佳值)54.3%
数学
FrontierMath Tiers 1–395.1%(所比较模型中的最佳值)90.5%
FrontierMath Tier 4100.0%(所比较模型中的最佳值)95.1%
OTIS Mock AIME99.7%100.0%(所比较模型中的最佳值)
ProofBench100.0%–
ArXivMath(参考)–94.3%
BrokenArXiv(参考)–84.4%
FrontierMath Erdős(参考)–2.9%
知识
SimpleQA Verified94.0%(所比较模型中的最佳值)77.7%
LiveBench 2.0 Data Analysis(参考)–86.5%
LiveBench Research(参考)–92.5%
AA-Omniscience v1.166.8(所比较模型中的最佳值)53.5
Excel Modeling Benchmark v1.1(参考)–76.5%
DrugDiscoveryBench(参考)–71.5%
EBR-bench(参考)90.5%(所比较模型中的最佳值)87.6%
AA-Omniscience v1.1: accuracy(参考)79.1%(所比较模型中的最佳值)58.3%
AA-Omniscience v1.1: non-hallucination(参考)40.7%88.6%(所比较模型中的最佳值)
HealthBench Professional (AA)(参考)67.7%–
指令遵循
Arena Instruction Following(参考)–1525
人类偏好
Arena Text–1526
Arena Creative Writing(参考)–1516
Arena Multi-turn(参考)–1564
Arena Longer Queries(参考)–1538
多模态
LiveBench Design(参考)–80.2%
Humanity's Sixth Sense(参考)59.5%71.1%(所比较模型中的最佳值)
Furniture Assembly(参考)90.0%(所比较模型中的最佳值)77.5%
VIALS-AA(参考)67.1%(所比较模型中的最佳值)64.0%
AA-3D(参考)1271–
长上下文
AA-LCR v1.183.3%(所比较模型中的最佳值)79.3%
MLCR(参考)43.9%(所比较模型中的最佳值)19.4%
综合
LiveBench 2.0–83.5%
AA Intelligence Index v5.0.1(参考)64.6(所比较模型中的最佳值)60.0
AA Progress Index v1(参考)358(所比较模型中的最佳值)350.8
Vals Index(参考)–70.5
Vals Finance Index(参考)–67.0%
Vals RSI Index(参考)37.9%(所比较模型中的最佳值)27.7%
Vals Legal Index(参考)–75.9%

搜索最多的对比

先列出搜索需求高的组合,再列出前 15 名模型之间的组合:每组都有结论、各类别胜负、价格和速度。其余对比可在各模型页面中找到。