Agnes 2.5 Pro Beta vs Qwen3.8 Max
完整资料:Agnes 2.5 Pro Beta(Sapiens AI)和 Qwen3.8 Max(Alibaba),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 20 倍(每百万 token 混合价格 $0.150 比 $3.00)。看重智能体与工具(64 比 59)和长上下文(66 比 65)选 Agnes 2.5 Pro Beta;看重多模态(66 比 58)选 Qwen3.8 Max。
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)。
- Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
- 在两者都有结果的 11 项基准测试中,Qwen3.8 Max 领先 10 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”。
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。
- Qwen3.8 Max (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 20 倍(每百万 token 混合价格 $0.150 比 $3.00)。
概览
| 规格 | Agnes 2.5 Pro Beta | Qwen3.8 Max |
|---|---|---|
| 提供商 | Sapiens AI | Alibaba |
| 发布日期 | 2026年8月26日 | 2026年8月3日 |
| 上下文窗口(token) | 1,000,000 | 1,000,000 |
| 对比时的配置 | Agnes 2.5 Pro Beta | Qwen3.8 Max (max) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | – | $2.00 / $6.00 / $0.250 |
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 Beta | Qwen3.8 Max (max) | 领先者 |
|---|---|---|---|
| 推理 | – | 51.5 | 无法比较 |
| 编程 | – | 61.6 | 无法比较 |
| 智能体与工具 | 64.4 | 58.5 | Agnes 2.5 Pro Beta |
| 数学 | – | 65.2 | 无法比较 |
| 知识 | – | 58.0 | 无法比较 |
| 人类偏好 | – | 67.5 | 无法比较 |
| 多模态 | 57.7 | 65.7 | Qwen3.8 Max |
| 长上下文 | 66.2 | 64.8 | Agnes 2.5 Pro Beta |
| 综合 | – | 45.0 | 无法比较 |
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。
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。
各来源的分歧
在两者都有结果的 11 项基准测试中,Agnes 2.5 Pro Beta 领先 1 项,Qwen3.8 Max 领先 10 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 Beta | Qwen3.8 Max (max) |
|---|---|---|
| 每百万 token 混合价格 | – | $3.00 |
| 每百万 token 输入 / 输出 | – / – | $2.00 / $6.00 |
| 每百万 token 缓存输入 | – | $0.250 |
| 每项任务价格:聊天回复 | – | $0.0026 |
| 每项任务价格:总结一份 30 页的报告 | – | $0.028 |
| 每项任务价格:代码编辑 | – | $0.021 |
| 每项任务价格:智能体编程会话 | – | $0.144 |
| 每项任务价格:结构化信息提取 | – | $0.0052 |
| 智能体编程会话(输入大多命中缓存) | – | $0.065 |
| 每项基准测试任务成本(AA Index) | – | $10.02 |
| 每项任务输出 token(AA Index) | – | 171k |
| 其中推理部分 | – | 120k |
| 每项任务耗时(AA Index) | – | 48 min |
| 输出速度 | – | 59 tok/s |
| 首次回答时间 | – | 119.6 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | – | 294.1 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。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 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 137 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 Beta | Qwen3.8 Max (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | – | 58.7 |
| 智能体与工具得分 | BenchLeader | 64.4 | 58.5 |
| 长上下文得分 | BenchLeader | 66.2 | 64.8 |
| 多模态得分 | BenchLeader | 57.7 | 65.7 |
| 编程得分 | BenchLeader | – | 61.6 |
| 综合得分 | BenchLeader | – | 45.0 |
| 人类偏好得分 | BenchLeader | – | 67.5 |
| 知识得分 | BenchLeader | – | 58.0 |
| 数学得分 | BenchLeader | – | 65.2 |
| 推理得分 | BenchLeader | – | 51.5 |
| 混合价格(美元/百万 token) | BenchLeader | – | $3.00 |
| 输出速度 | BenchLeader | – | 59 tok/s |
| 首次回答时间 | BenchLeader | – | 119.6 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | – | 92.7%† |
| Arena Hard Prompts | Arena (LMArena) | – | 1507 |
| LiveBench 2.0 Reasoning | LiveBench | – | 88.2% |
| LiveBench 1.0 Reasoning | LiveBench | – | 88.2% |
| GPQA Diamond (AA) | Artificial Analysis | 90.5% | 92.8% |
| Humanity's Last Exam (AA) | Artificial Analysis | 37.5% | 43.1% |
| HLE-Diamond (AA) | Artificial Analysis | – | 24.0% |
| GPQA Diamond (Vals) | Vals AI | – | 93.7% |
| CritPt | Artificial Analysis | 15.7% | 20.0% |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 29.5% |
| MysteryMechanism | Vals AI | – | 23.9% |
| Arena Expert | Arena (LMArena) | – | 1514 |
| Chess Puzzles | Epoch AI Benchmarking Hub | – | 46.0%† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 38.0%† |
| LMCA | Epoch AI Benchmarking Hub | – | 46.2%† |
| DTBench | Epoch AI Benchmarking Hub | – | 92.0%† |
| 编程 | |||
| SciCode | SciCode | – | 53.2% |
| Arena Coding | Arena (LMArena) | – | 1523 |
| Arena WebDev | Arena (LMArena) | – | 1676 |
| LiveBench 2.0 Coding | LiveBench | – | 60.9% |
| LiveBench 1.0 Coding | LiveBench | – | 72.9% |
| SciCode (AA) | Artificial Analysis | 48.8% | 53.2% |
| LiveCodeBench | Vals AI | – | 87.8% |
| IOI | Vals AI | – | 68.9% |
| SWE-bench (Vals) | Vals AI | – | 85.6% |
显示全部 137 项基准测试
| 指标 | 发布方 | Agnes 2.5 Pro Beta | Qwen3.8 Max (max) |
|---|---|---|---|
| 编程 | |||
| Code Migration | Vals AI | – | 24.0% |
| ProgramBench | Vals AI | – | 0.0% |
| SWE-bench Multimodal | Vals AI | – | 42.5% |
| Vibe Code Bench 1-100 | Vals AI | – | 12.8% |
| Vibe Code Bench v1.1 | Vals AI | – | 64.7% |
| SWE Atlas v1.1 | Scale AI SEAL | – | 64.4% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 81.5% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 58.9% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 52.9% |
| MirrorCode | Epoch AI Benchmarking Hub | – | 52.2%† |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 57.5%† |
| ALE-Bench | Epoch AI Benchmarking Hub | – | 1679.1† |
| FrontierSWE | Epoch AI Benchmarking Hub | – | 17.8%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 38.9% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 69.7% | 88.8% |
| Startrise Frontend | Startrise | – | 71.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 54.2† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 69.6† |
| Design Arena Website | Design Arena | – | 1269 |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 43.2% |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 23.4% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | – | 27.0% |
| APEX-Agents | Mercor | – | 63.3% |
| Arena Agent | Arena (LMArena) | – | 0.1 |
| LiveBench Long Agentic | LiveBench | – | 26.6% |
| LiveBench Browser | LiveBench | – | 49.4% |
| LiveBench Agentic Coding | LiveBench | – | 64.7% |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 67.4% |
| τ³-bench Banking | τ²-bench | – | 55.1%† |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 41.5% | 58.3% |
| GDPval-AA v2.1 | Artificial Analysis | 1335 | 1674 |
| τ³-Banking (AA) | Artificial Analysis | 35.7% | 51.3% |
| ITBench SRE (AA) | Artificial Analysis | – | 40.3% |
| Analyst Agent (AA) | Artificial Analysis | – | 45.0% |
| APEX-Agents (AA) | Artificial Analysis | – | 42.4% |
| CyberBench | Vals AI | – | 28.6% |
| Finance Agent v2 | Vals AI | – | 50.6% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 10.4% |
| Legal Research Bench | Vals AI | – | 47.6% |
| SkillsBench | Vals AI | – | 42.0% |
| Tax Agent Bench | Vals AI | – | 32.1% |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 34.3% |
| Terminal-Bench Science | Vals AI | – | 12.9% |
| Arena Search | Arena (LMArena) | – | 1227 |
| Arena Agent Task Completion | Arena (LMArena) | – | 4.5 |
| AutomationBench | Artificial Analysis | – | 56.2% |
| GDP.pdf (AA) | Artificial Analysis | – | 22.8% |
| EnterpriseOps-Gym | Artificial Analysis | – | 47.6% |
| AA-Briefcase v1.1 | Artificial Analysis | – | 1604 |
| GDPx | GDPx by SemiAnalysis | – | 3.5% |
| Design Arena Agentic | Design Arena | – | 1264 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | – | 11.9% |
| MKA (AA) | Artificial Analysis | – | 37.4% |
| FACTS Search | – | 85.0% | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | – | 74.7%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | – | 46.3%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 100.0%† |
| ProofBench | Vals AI | – | 58.0% |
| LiveBench Mathematics | LiveBench | – | 91.3% |
| Arena Maths | Arena (LMArena) | – | 1505 |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | – | 47.3%† |
| LiveBench 2.0 Data Analysis | LiveBench | – | 78.4% |
| LiveBench Research | LiveBench | – | 72.8% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 78.4% |
| AA-Omniscience v1.1 | Artificial Analysis | – | 10.5 |
| MMLU-Pro | Vals AI | – | 88.6% |
| LegalBench | Vals AI | – | 83.6% |
| CorpFin | Vals AI | – | 65.8% |
| TaxEval | Vals AI | – | 75.5% |
| Excel Modeling Benchmark | Vals AI | – | 60.1% |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 66.0% |
| MedCode | Vals AI | – | 40.7% |
| MedScribe | Vals AI | – | 85.0% |
| Public Benefits Bench v1.1 | Vals AI | – | 67.1% |
| Access to Justice Benchmark | Vals AI | – | 76.4% |
| Financial Coaching Bench | Vals AI | – | 75.6% |
| Immigration Bench | Vals AI | – | 70.1% |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 23.2%† |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 29.5% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 72.9% |
| FACTS Parametric | – | 30.8% | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 79.7% |
| LiveBench Instruction Following | LiveBench | – | 74.1% |
| Arena Instruction Following | Arena (LMArena) | – | 1478 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1484 |
| Arena Creative Writing | Arena (LMArena) | – | 1472 |
| Arena Multi-turn | Arena (LMArena) | – | 1495 |
| Arena Longer Queries | Arena (LMArena) | – | 1496 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1312 |
| LiveBench Design | LiveBench | – | 76.6% |
| MMMU-Pro | Artificial Analysis | 75.4% | 82.8% |
| MMMU-Pro (Vals) | Vals AI | – | 88.0% |
| MortgageTax | Vals AI | – | 64.0% |
| SAGE | Vals AI | – | 81.8% |
| Humanity's Sixth Sense | Scale AI SEAL | – | 33.0% |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 20.0%† |
| VIALS-AA | Handshake AI | – | 31.7% |
| Code2Video-AA | Artificial Analysis | – | 1021 |
| AA-3D | Artificial Analysis | – | 954 |
| FACTS Multimodal | – | 51.5% | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 83.0% | 80.3% |
| MLCR | Artificial Analysis | – | 26.1% |
| FACTS Grounding | – | 73.8% | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 157.6 |
| LiveBench 2.0 | LiveBench | – | 60.9% |
| LiveBench 1.0 | LiveBench | – | 78.5% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 33.6 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 35.2 | 45.4 |
| AA Progress Index v1 | Artificial Analysis | 299.1 | 323.7 |
| Vals RSI Index | Vals AI | – | 21.8% |
| Vals Multimodal Index | Vals AI | – | 65.4% |
| 安全与诚实 | |||
| DistressBench | Scale AI SEAL | – | 77.6% |
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
- Qwen3.8 Max (max):1 项分数修订。
- Qwen3.8 Max (max):1 项分数修订。
- Qwen3.8 Max (max):6 项分数修订。
- Qwen3.8 Max (max):1 项分数修订。
- Qwen3.8 Max (max):1 项新结果(FACTS Search);1 项分数修订。
- Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
- Qwen3.8 Max (max):价格 $0.25/M → $0.22/M。
- Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
- Qwen3.8 Max (max):价格 $0.25/M → $0.22/M。
- Qwen3.8 Max (max):1 项分数修订。
相关对比
- Qwen3.8 Max vs GPT-6 Astra
- Agnes 2.5 Pro Beta vs Claude Opus 5
- Agnes 2.5 Pro Beta vs GPT-6 Sol
- Agnes 2.5 Pro Beta vs Muse Wonder Full
- Agnes 2.5 Pro Beta vs Muse Spark 1.3
- Agnes 2.5 Pro Beta vs Kimi K3
- Qwen3.8 Max vs GPT-6.1 Sol
- Qwen3.8 Max vs Gemini 4 Argon
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 Qwen3.8 Max:常见问题
- Agnes 2.5 Pro Beta 和 Qwen3.8 Max 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 $3.00(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 Qwen3.8 Max 更好?
- Agnes 2.5 Pro Beta 在智能体任务方面得分更高(类别得分 64 比 59,50 为平均水平)。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%,Qwen3.8 Max 为 51.3%。
- 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 65)。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 Qwen3.8 Max 的看法一致吗?
- 在两者都有结果的 11 项基准测试中,Agnes 2.5 Pro Beta 领先 1 项,Qwen3.8 Max 领先 10 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。