BenchLeader

Agnes 2.5 Pro Theta vs Ling 3.1 Flash

完整资料:Agnes 2.5 Pro Theta(Sapiens AI)和 Ling 3.1 Flash(Ant Group),包括全部基准测试、价格和排名。

更新于 · 数据来自 4 个来源

截至 2026年11月16日,Agnes 2.5 Pro Theta 与 Ling 3.1 Flash 的质量不相上下(BenchLeader Index 50.8 比 50.8,在 ±10.9 的误差范围内)。Agnes 2.5 Pro Theta 更便宜,对方的价格是它的 3.0 倍(每百万 token 混合价格 $0.150 比 $0.450)。在两者都有成绩的所有类别中,Ling 3.1 Flash 均领先。Agnes 2.5 Pro Theta 输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Agnes 2.5 Pro Theta 的 BenchLeader Index 为 50.8,Ling 3.1 Flash 为 50.8(BenchLeader,2026年11月16日)。
  • Agnes 2.5 Pro Theta 每百万 token 混合价格为 $0.150(标价,2026年11月16日)。
  • Ling 3.1 Flash 每百万 token 混合价格为 $0.450(标价,2026年11月16日)。
  • Agnes 2.5 Pro Theta 比 Ling 3.1 Flash 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 16 项基准测试中,Ling 3.1 Flash 领先 14 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程均可类别得分 46 比 46;FrontierCode 2.0 (AA) 16.6% 比 17.0%均可
推理Ling 3.1 Flash类别得分 48 比 44;HLE-Diamond (AA) 17.2% 比 16.8%中
知识Ling 3.1 Flash类别得分 45 比 39;AA-Omniscience v1.1 -0.1 比 -11.2中
长文档均可类别得分 67 比 66;AA-LCR v1.1 84.7% 比 83.0%均可
成本最低Agnes 2.5 Pro Theta每百万 token 混合价格 $0.150 比 $0.450;智能体编程会话 $0.007 比 $0.022–
首次回答最快Agnes 2.5 Pro Theta首个回答 token 8.1 秒(Agnes 2.5 Pro Theta)比 42.3 秒(Ling 3.1 Flash)–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Agnes 2.5 Pro Theta 与 Ling 3.1 Flash 的质量不相上下(50.8 比 50.8,在 ±10.9 的误差范围内)。
  • Agnes 2.5 Pro Theta 在长上下文方面更强。
  • Ling 3.1 Flash 在编程、知识、推理方面更强。
  • Agnes 2.5 Pro Theta 更便宜,对方的价格是它的 3.0 倍(每百万 token 混合价格 $0.150 比 $0.450)。
  • Agnes 2.5 Pro Theta 的输出速度是对方的 2.0 倍(190 比 94 token/秒)。

概览

规格Agnes 2.5 Pro ThetaLing 3.1 Flash
提供商Sapiens AIAnt Group
发布日期2026年11月7日2026年10月1日
上下文窗口(token)1,000,0001,000,000
对比时的配置Agnes 2.5 Pro ThetaLing 3.1 Flash
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$0.100 / $0.300 / –$0.300 / $0.900 / $0.060

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Agnes 2.5 Pro ThetaLing 3.1 Flash领先者
推理43.747.9Ling 3.1 Flash
编程45.746.2持平
知识38.744.7Ling 3.1 Flash
多模态60.8–无法比较
长上下文67.166.2持平

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程知识长上下文Agnes 2.5 Pro Theta, 推理: 43.7Agnes 2.5 Pro Theta, 编程: 45.7Agnes 2.5 Pro Theta, 知识: 38.7Agnes 2.5 Pro Theta, 长上下文: 67.1Ling 3.1 Flash, 推理: 47.9Ling 3.1 Flash, 编程: 46.2Ling 3.1 Flash, 知识: 44.7Ling 3.1 Flash, 长上下文: 66.2

未绘制(测得的模型少于两个):智能体与工具, 数学, 指令遵循, 多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 16 项基准测试中,Agnes 2.5 Pro Theta 领先 2 项,Ling 3.1 Flash 领先 14 项。所有同时评测两者的综合评分都认为 Ling 3.1 Flash 更强。

综合 IndexAgnes 2.5 Pro ThetaLing 3.1 Flash领先者
BenchLeader Index50.850.8不相上下
AA Intelligence Index v5.0.124.029.6Ling 3.1 Flash

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Agnes 2.5 Pro ThetaLing 3.1 Flash
每百万 token 混合价格$0.150$0.450
每百万 token 输入 / 输出$0.100 / $0.300$0.300 / $0.900
每百万 token 缓存输入–$0.060
每项任务价格:聊天回复$0.0001$0.0004
每项任务价格:总结一份 30 页的报告$0.0014$0.0041
每项任务价格:代码编辑$0.0011$0.0032
每项任务价格:智能体编程会话$0.0072$0.022
每项任务价格:结构化信息提取$0.0003$0.0008
智能体编程会话(输入大多命中缓存)–$0.011
每项基准测试任务成本(AA Index)$0.575$3.19
每项任务输出 token(AA Index)278k225k
其中推理部分229k151k
每项任务耗时(AA Index)24 min–
输出速度190 tok/s94 tok/s
首次回答时间8.1 秒42.3 秒
完整回答耗时(最近一次测量 2026年11月13日)16.9 秒115.5 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Agnes 2.5 Pro Theta 上花费 $0.575,在 Ling 3.1 Flash 上花费 $3.19;完成同样的工作,Agnes 2.5 Pro Theta 输出的 token 是对方的 1.2 倍。

每个模型都按其排名最高的推理强度设置进行对比。Agnes 2.5 Pro Theta 得分 50.8,首个回答 token 需 8 秒。Ling 3.1 Flash 得分 50.8,首个回答 token 需 42 秒。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 26 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Agnes 2.5 Pro ThetaLing 3.1 Flash
BenchLeader IndexBenchLeader50.850.8
编程得分BenchLeader45.746.2
知识得分BenchLeader38.744.7
长上下文得分BenchLeader67.166.2
多模态得分BenchLeader60.8–
推理得分BenchLeader43.747.9
混合价格(美元/百万 token)BenchLeader$0.150$0.450
输出速度BenchLeader190 tok/s94 tok/s
首次回答时间BenchLeader8.1 秒42.3 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
Humanity's Last Exam (AA)Artificial Analysis37.2%43.5%
HLE-Diamond (AA)Artificial Analysis16.8%17.2%
CritPtArtificial Analysis15.1%26.0%
CritPt v2 hard subset (AA)Artificial Analysis26.0%38.5%
编程
SciCode (AA)Artificial Analysis56.0%56.8%
Terminal-Bench 4.0 (AA)Artificial Analysis10.1%33.3%
GameBench 2 by reasoning settingDuelLab GameBench 2–42.9†
Design Arena WebsiteDesign Arena–1292
FrontierCode 2.0 (AA)Artificial Analysis16.6%17.0%
智能体与工具
GDPval-AA v2.1, normalised scoreArtificial Analysis–57.3%
GDPval-AA v2.1Artificial Analysis15071655
AutomationBenchArtificial Analysis48.8%67.5%
GDP.pdf (AA)Artificial Analysis14.2%12.6%
AA-Briefcase v1.1Artificial Analysis14961520
Design Arena AgenticDesign Arena–1205
Terminal-Bench-Science 0.1 (AA)Artificial Analysis3.8%4.3%
知识
AA-Omniscience v1.1Artificial Analysis-11.2-0.1
AA-Omniscience v1.1: accuracyArtificial Analysis21.3%26.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis58.6%63.7%
多模态
MMMU-ProArtificial Analysis78.4%–
长上下文
AA-LCR v1.1Artificial Analysis84.7%83.0%
MLCRArtificial Analysis–15.0%
综合
AA Intelligence Index v5.0.1Artificial Analysis24.029.6
AA Intelligence Index v4.3.2Artificial Analysis–43.9
AA Progress Index v1Artificial Analysis–321.6
显示全部 26 项基准测试
指标发布方Agnes 2.5 Pro ThetaLing 3.1 Flash
元数据
AA Openness IndexArtificial Analysis–38.9

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • Ling 3.1 Flash:1 项分数修订。
  • Agnes 2.5 Pro Theta:首批结果。
  • Ling 3.1 Flash:1 项分数修订。
  • Ling 3.1 Flash:BenchLeader Index 50.3 → 50.9。
  • Ling 3.1 Flash:6 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);3 项分数修订;价格 $1.01/M → $3.19/M。
  • Ling 3.1 Flash:1 项新结果(AA-Briefcase v1.1)。
  • Ling 3.1 Flash:1 项分数修订。
  • Ling 3.1 Flash:1 项新结果(AA-Briefcase v1.1);8 项分数修订。
  • Ling 3.1 Flash:1 项新结果(MLCR)。
  • Ling 3.1 Flash:2 项新结果(AutomationBench, GDP.pdf (AA))。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Agnes 2.5 Pro Theta vs Ling 3.1 Flash:常见问题

Agnes 2.5 Pro Theta 比 Ling 3.1 Flash 更好吗?
Agnes 2.5 Pro Theta 与 Ling 3.1 Flash 的质量不相上下(50.8 比 50.8,在 ±10.9 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Agnes 2.5 Pro Theta 和 Ling 3.1 Flash 哪个更便宜?价格会变吗?
目前 Agnes 2.5 Pro Theta 更便宜:每百万 token $0.150 比 $0.450(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Agnes 2.5 Pro Theta 还是 Ling 3.1 Flash 更好?
两者在编程方面持平(类别得分 46 比 46)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Agnes 2.5 Pro Theta 为 16.6%,Ling 3.1 Flash 为 17.0%。
Agnes 2.5 Pro Theta 和 Ling 3.1 Flash 哪个更快?
Agnes 2.5 Pro Theta 输出更快(约 2 倍;输出 190 比 94 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(67 比 66)。两者都支持 1,000,000 token 的上下文。
更多问题(3)
哪个延迟更低?
Agnes 2.5 Pro Theta 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 8.1 秒比 42.3 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Agnes 2.5 Pro Theta 和 Ling 3.1 Flash 的看法一致吗?
在两者都有结果的 16 项基准测试中,Agnes 2.5 Pro Theta 领先 2 项,Ling 3.1 Flash 领先 14 项。所有同时评测两者的综合评分都认为 Ling 3.1 Flash 更强。
Agnes 2.5 Pro Theta 是什么时候发布的?
Agnes 2.5 Pro Theta 于 2026年11月7日 发布。