BenchLeader

Agnes 2.5 Pro Beta vs Claude Opus 5

完整资料:Agnes 2.5 Pro Beta(Sapiens AI)和 Claude Opus 5(Anthropic),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,两者共同的基准测试太少,无法判断质量高下。Agnes 2.5 Pro Beta 更便宜,对方的价格是它的 67 倍(每百万 token 混合价格 $0.150 比 $10.00)。看重长上下文(66 比 64)选 Agnes 2.5 Pro Beta;看重多模态(67 比 58)选 Claude Opus 5。

要点(截至 2026年11月16日)

  • Agnes 2.5 Pro Beta 每百万 token 混合价格为 $0.150(标价,2026年11月16日)。
  • Claude Opus 5 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • 在两者都有结果的 10 项基准测试中,Claude Opus 5 领先 9 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
智能体与工具调用均可类别得分 64 比 64;τ³-Banking (AA) 35.7% 比 42.1%均可
长文档Agnes 2.5 Pro Beta类别得分 66 比 64;AA-LCR v1.1 83.0% 比 79.3%中
图像及其他媒体Claude Opus 5类别得分 67 比 58;MMMU-Pro 84.7% 比 75.4%高
对话质量(人类偏好)–只有 Claude Opus 5 有 Arena 评分(类别得分 68)无法比较
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

  • 共同的基准测试太少,无法给出结论。
  • Agnes 2.5 Pro Beta 在智能体与工具、长上下文方面更强。
  • Claude Opus 5 (max) 在多模态方面更强。
  • Agnes 2.5 Pro Beta 更便宜,对方的价格是它的 67 倍(每百万 token 混合价格 $0.150 比 $10.00)。

概览

规格Agnes 2.5 Pro BetaClaude Opus 5
提供商Sapiens AIAnthropic
发布日期2026年8月26日2026年7月24日
上下文窗口(token)1,000,0001,000,000
对比时的配置Agnes 2.5 Pro BetaClaude Opus 5 (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$5.00 / $25.00 / $0.500

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 BetaClaude Opus 5 (max)领先者
推理–66.1无法比较
编程–67.0无法比较
智能体与工具64.463.8持平
数学–69.8无法比较
知识–65.2无法比较
人类偏好–68.1无法比较
多模态57.767.2Claude Opus 5
长上下文66.264.3Agnes 2.5 Pro Beta

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智能体与工具长上下文多模态Agnes 2.5 Pro Beta, 智能体与工具: 64.4Agnes 2.5 Pro Beta, 长上下文: 66.2Agnes 2.5 Pro Beta, 多模态: 57.7Claude Opus 5, 智能体与工具: 63.8Claude Opus 5, 长上下文: 64.3Claude Opus 5, 多模态: 67.2

未绘制(测得的模型少于两个):推理, 编程, 数学, 知识, 指令遵循, 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 10 项基准测试中,Agnes 2.5 Pro Beta 领先 1 项,Claude Opus 5 领先 9 项。

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 BetaClaude Opus 5 (max)
每百万 token 混合价格–$10.00
每百万 token 输入 / 输出– / –$5.00 / $25.00
每百万 token 缓存输入–$0.500
每项任务价格:聊天回复–$0.0095
每项任务价格:总结一份 30 页的报告–$0.075
每项任务价格:代码编辑–$0.068
每项任务价格:智能体编程会话–$0.400
每项任务价格:结构化信息提取–$0.015
智能体编程会话(输入大多命中缓存)–$0.198
每项基准测试任务成本(AA Index)–$11.82
每项任务输出 token(AA Index)–118k
其中推理部分–73k
每项任务耗时(AA Index)–25 min
输出速度–80 tok/s
首次回答时间–48.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–191.6 秒

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 Beta。Claude Opus 5 (max) 得分 65.0,首个回答 token 需 49 秒;Claude Opus 5 (high) 为 64.4(17 秒),Claude Opus 5 为 63.2(2 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 144 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 BetaClaude Opus 5 (max)
BenchLeader IndexBenchLeader–65.0
智能体与工具得分BenchLeader64.463.8
长上下文得分BenchLeader66.264.3
多模态得分BenchLeader57.767.2
编程得分BenchLeader–67.0
人类偏好得分BenchLeader–68.1
知识得分BenchLeader–65.2
数学得分BenchLeader–69.8
推理得分BenchLeader–66.1
混合价格(美元/百万 token)BenchLeader–$10.00
输出速度BenchLeader–80 tok/s
首次回答时间BenchLeader–48.5 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–93.9%
SimpleBenchSimpleBench–80.6%†
Arena Hard PromptsArena (LMArena)–1513
LiveBench 1.0 ReasoningLiveBench–91.2%
GPQA Diamond (AA)Artificial Analysis90.5%93.2%
Humanity's Last Exam (AA)Artificial Analysis37.5%54.9%
HLE-Diamond (AA)Artificial Analysis–44.8%
GPQA Diamond (Vals)Vals AI–93.4%†
ARC-AGI-1ARC Prize–97.5%
ARC-AGI-2ARC Prize–90.4%
ARC-AGI-3ARC Prize–30.2%†
CritPtArtificial Analysis15.7%29.1%
CritPt v2 hard subset (AA)Artificial Analysis–50.0%
MysteryMechanismVals AI–37.4%
HLE-Diamond (Scale)Scale AI SEAL–38.6%†
Arena ExpertArena (LMArena)–1530
Chess PuzzlesEpoch AI Benchmarking Hub–43.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–59.0%
LMCAEpoch AI Benchmarking Hub–63.3%
DTBenchEpoch AI Benchmarking Hub–97.6%
ForecastBenchForecastBench–66.6%
BTF-3Epoch AI Benchmarking Hub–12.0%†
编程
SciCodeSciCode–56.4%
WeirdMLWeirdML–91.8%
FrontierCodeCognition–53.4%
显示全部 144 项基准测试
指标发布方Agnes 2.5 Pro BetaClaude Opus 5 (max)
编程
Arena CodingArena (LMArena)–1528
Arena WebDevArena (LMArena)–1691
LiveBench 1.0 CodingLiveBench–81.5%
SciCode (AA)Artificial Analysis48.8%56.4%
LiveCodeBenchVals AI–89.0%
IOIVals AI–84.3%
SWE-bench (Vals)Vals AI–97.0%†
Code MigrationVals AI–57.5%
ProgramBenchVals AI–3.0%
Vibe Code Bench 1-100Vals AI–28.5%
Vibe Code Bench v1.1Vals AI–88.4%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL–63.2%†
SWE Atlas v1.0: Test WritingScale AI SEAL–62.2%†
SWE-Bench Pro V2Scale AI SEAL–99.4%†
SWE-Bench Pro V2 HARDScale AI SEAL–98.0%†
MirrorCodeEpoch AI Benchmarking Hub–87.8%
DeepSWE v1.1Epoch AI Benchmarking Hub–73.7%
CursorBenchCursor–46.6%
ALE-BenchEpoch AI Benchmarking Hub–2164.6†
FrontierSWEEpoch AI Benchmarking Hub–52.0%
WeirdML v3WeirdML–19.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis–49.0%
Terminal-Bench 2.1 (AA)Artificial Analysis69.7%89.1%
Startrise FrontendStartrise–82.3%†
GameBench 2 OverallDuelLab GameBench 2–76.5†
GameBench 2 by reasoning settingDuelLab GameBench 2–84.8†
Design Arena WebsiteDesign Arena–1304†
FrontierCode 2.0 (AA)Artificial Analysis–31.1%
智能体与工具
Terminal-BenchTerminal-Bench–52.1%
OSWorld-Verified 2.0OSWorld–31.4%
APEX-AgentsMercor–65.8%
Arena AgentArena (LMArena)–7.2
LiveBench Agentic CodingLiveBench–65.2%
Terminal-Bench 2.1 (Vals)Vals AI–84.6%†
MCP AtlasScale AI SEAL–85.8%†
HiL-BenchScale AI SEAL–57.0%†
τ³-bench Bankingτ²-bench–48.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis41.5%–
GDPval-AA v2.1Artificial Analysis13351729
τ³-Banking (AA)Artificial Analysis35.7%42.1%
Analyst Agent (AA)Artificial Analysis–53.8%
CUA-benchVals AI–9.0%
CyberBenchVals AI–65.4%
Finance Agent v2Vals AI–58.6%
Harvey's Legal Agent Benchmark v1Vals AI–6.7%
Legal Research BenchVals AI–55.3%
SkillsBenchVals AI–60.4%
SREBenchVals AI–12.2%
Tax Agent BenchVals AI–47.1%
Terminal-Bench 4.0 (Vals)Vals AI–53.5%
Terminal-Bench ScienceVals AI–27.1%
Time Horizon Index: KSPVals AI–18.8%
Arena SearchArena (LMArena)–1213†
Arena Agent Task CompletionArena (LMArena)–10.2
BALROGBALROG–63.4%
PostTrainBenchEpoch AI Benchmarking Hub–35.7%†
GBAEvalEpoch AI Benchmarking Hub–79.6%†
Vending-Bench 2Andon Labs–11181.9†
AutomationBenchArtificial Analysis–56.6%
GDP.pdf (AA)Artificial Analysis–21.6%
EnterpriseOps-GymArtificial Analysis–47.5%
AA-Briefcase v1.1Artificial Analysis–1654
Design Arena AgenticDesign Arena–1270†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–28.6%
DeepSec-Bench (AA)Artificial Analysis–25.9%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–85.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub–73.2%
OTIS Mock AIMEEpoch AI Benchmarking Hub–98.9%
ProofBenchVals AI–99.0%
LiveBench MathematicsLiveBench–95.7%
Arena MathsArena (LMArena)–1515
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–59.9%
LiveBench 1.0 Data AnalysisLiveBench–74.5%
AA-Omniscience v1.1Artificial Analysis–37.6
MMLU-ProVals AI–91.6%
LegalBenchVals AI–87.0%
CorpFinVals AI–73.2%†
TaxEvalVals AI–75.1%†
BioMysteryBenchVals AI–79.3%
Excel Modeling BenchmarkVals AI–73.6%
MedCodeVals AI–63.6%
MedScribeVals AI–91.0%
Public Benefits Bench v1.1Vals AI–76.9%
DrugDiscoveryBenchScale AI SEAL–53.7%
EBR-benchEpoch AI Benchmarking Hub–45.7%
GDP.pdfEpoch AI Benchmarking Hub–24.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–60.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–40.6%
FACTS ParametricGoogle–48.8%†
指令遵循
LiveBench LanguageLiveBench–88.7%
LiveBench Instruction FollowingLiveBench–63.8%
Arena Instruction FollowingArena (LMArena)–1494
人类偏好
Arena TextArena (LMArena)–1489
EQ-Bench 4EQ-Bench–1365†
EQ-Bench Creative Writing v3EQ-Bench–2135†
Arena Creative WritingArena (LMArena)–1473
Arena Multi-turnArena (LMArena)–1486
Arena Longer QueriesArena (LMArena)–1502
多模态
Arena VisionArena (LMArena)–1318†
MMMU-ProArtificial Analysis75.4%84.7%
MMMU-Pro (Vals)Vals AI–89.9%
MortgageTaxVals AI–72.1%†
Humanity's Sixth SenseScale AI SEAL–30.5%
Blueprint-Bench 2Epoch AI Benchmarking Hub–30.4%†
Furniture AssemblyEpoch AI Benchmarking Hub–60.8%
长上下文
AA-LCR v1.1Artificial Analysis83.0%79.3%
Arena DocumentArena (LMArena)–1486†
MLCRArtificial Analysis–11.1%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–164.7†
LiveBench 1.0LiveBench–80.1%
AA Intelligence Index v5.0.1Artificial Analysis–44.2
AA Intelligence Index v4.3.2Artificial Analysis35.250.8
AA Progress Index v1Artificial Analysis299.1333.7
Vals RSI IndexVals AI–33.0%
Vals Science IndexVals AI–47.9%
Vals Multimodal IndexVals AI–73.9%†
安全与诚实
FORTRESSScale AI SEAL–16.8%†
DistressBenchScale AI SEAL–70.2%†

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

  • Claude Opus 5 (max):25 项新结果(LiveCodeBench, MMLU-Pro, IOI…)。
  • Claude Opus 5 (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):BenchLeader Index 65.5 → 65.0。
  • Claude Opus 5 (max):7 项新结果(AA Intelligence Index v5.0.1, HLE-Diamond (AA), AA-Omniscience v1.1…)。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):1 项分数修订。
  • Claude Opus 5 (max):BenchLeader Index 66.3 → 65.5。
  • Agnes 2.5 Pro Beta:1 项新结果(AA Progress Index v1)。
  • Claude Opus 5 (max):1 项新结果(AA Progress Index v1)。

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 Beta vs Claude Opus 5:常见问题

Agnes 2.5 Pro Beta 和 Claude Opus 5 哪个更便宜?价格会变吗?
目前 Agnes 2.5 Pro Beta 更便宜:每百万 token $0.150 比 $10.00(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。
智能体和工具调用用 Agnes 2.5 Pro Beta 还是 Claude Opus 5 更好?
两者在智能体任务方面持平(类别得分 64 比 64)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,Agnes 2.5 Pro Beta 为 35.7%,Claude Opus 5 为 42.1%。
处理长文档哪个更好?
Agnes 2.5 Pro Beta 在长上下文基准测试上得分更高(66 比 64)。两者都支持 1,000,000 token 的上下文。
第三方基准测试对 Agnes 2.5 Pro Beta 和 Claude Opus 5 的看法一致吗?
在两者都有结果的 10 项基准测试中,Agnes 2.5 Pro Beta 领先 1 项,Claude Opus 5 领先 9 项。
Agnes 2.5 Pro Beta 是什么时候发布的?
Agnes 2.5 Pro Beta 于 2026年8月26日 发布。