BenchLeader

最适合大规模信息抽取的模型

数以百万计的简短、几乎相同的调用:从文档中提取字段、分拣工单、给评论打标签。没有人在等任何一次响应,所以延迟几乎无关紧要,前沿级的质量纯属浪费钱。决定因素是价格和吞吐量,质量只是门槛——结果终究还是得正确。

截至 2026年11月16日,最适合这一用途的是 Muse Ember(max),每百万 token 价格为 $0.200,输出速度为 437 token/秒。

按单一指标排名: 最佳低价大模型(2026年11月)

权重说明

  • 45%每百万 token 价格在这样的规模下,账单就是决定因素;十倍的价格差异让其他一切考量都相形见绌
  • 25%输出速度吞吐量决定队列多久能处理完
  • 20%指令遵循每次都能保持格式的结构化输出,在这里比聪明更有价值
  • 10%质量保留一点质量信号,但只够把明显较弱的模型挡在外面

门槛(不参与排名): 质量须达到 40:抽取结果若是错的,再便宜再快也毫无价值。

在 339 个已排名模型中,有 192 个符合条件:其余模型要么缺少权重所依赖的某项测量,要么超出上述限制。与其只用模型碰巧具备的指标给它打分,我们宁可把它排除在外。

上面的基准测试分数是把模型各推理强度档位的结果合并计算,并按每个档位所依据的基准测试数量加权。发布方很少在每个档位上都运行同一项基准测试,所以单个档位的类别分数往往只来自一个结果——而单个结果波动太大,不足以决定排名。延迟和价格则按档位分别计算,因为它们确实不同。

#模型匹配度每百万 token 价格输出速度指令遵循质量上下文窗口OpenRouter 份额
1新Muse EmbermaxMeta88$0.200437–52.11.0M0.26%
2DeepSeek V4 FlashmaxDeepSeek87$0.175136–56.81.0M1.0%
3新Agnes 2.5 Pro ThetaSapiens AI87$0.150190–50.81M–
4Nemotron 3.5 LightningNVIDIA86$0.095266–41.41M0.01%
5Step 3.5 FlashStepFun85$0.1501336656.3256k–
6Claude Haiku 5.5xhighAnthropic84$0.2002316356.71M1.3%
7Ling 3.0 FlashAnt Group84$0.115119–51.7262k0.06%
8MiniMax M3.1 FlashMiniMax82$0.262151–54.31M1.6%
9DeepSeek V4.1 FlashmaxDeepSeek82$0.525240–58.51.0M7.4%
10DeepSeek V4.1 Flash 1017maxDeepSeek81$0.5251747057.71.0M28.0%
11Mercury 2Inception81$0.3753466949.2128k–
12Nemotron 3 Super 120B A12BthinkingNVIDIA80$0.4501837051.1262k<0.01%
13GPT-6 LunamaxOpenAI80$0.200103–55.11.1M4.0%
14Nemotron 3.5 Super VLNVIDIA80$0.275271–45.81.0M1.7%
15MiniMax M3MiniMax79$0.5251188056.11M0.29%
16Beam 1.0 501B A23BReflection79$0.475193–54.21.0M0.02%
17Step 3.7 FlashStepFun78$0.4381486753.0256k<0.01%
18GPT-5.6 LunaxhighOpenAI77$0.450110–58.21.1M0.88%
19Solar Pro 3Upstage77$0.2621247040.9128k–
20GPT-5 nanohighOpenAI77$0.1381656047.4400k0.03%
21Nemotron 3 Nano 30B A3BthinkingNVIDIA77$0.0881995547.4262k<0.01%
22Qwen3.5 FlashAlibaba76$0.17594–51.81M0.01%
23Command A+Cohere75$0.6001757245.9192k<0.01%
24Nemotron 3 Ultra 550B A55BthinkingNVIDIA74$1.051997949.11M1.5%
25Gemini 3.1 Flash LiteGoogle73$0.5633016352.61.0M0.24%
26Inkling 2 SmallThinking Machines73$0.475100–57.91.0M0.59%
27Gemini 3 FlashthinkingGoogle73$1.131966658.91.0M0.32%
28Beam 1.0Reflection73$0.600288–45.91.0M–
29Gemini 2.5 Flash-LitethinkingGoogle72$0.1753664747.91.0M0.14%
30Gemini 3.5 Flash LiteGoogle72$0.850308–51.41.0M0.11%
31MiniMax-M2MiniMax72$0.5251007151.5205k–
32Inkling SmallThinking Machines72$0.525116–52.066k<0.01%
33gpt-oss-20bhighOpenAI71$0.0931564945.4131k0.07%
34Muse Spark 1.1Meta71$2.001937062.21.0M<0.01%
35Qwen3.8-Flash-NextAlibaba71$0.23080–53.9256k–
36gpt-oss-120blowOpenAI70$0.2481765645.7131k0.21%
37Qwen3.5-9B无推理Alibaba70$0.1901235349.2262k0.04%
38Gemini 3.6 FlashhighGoogle70$1.50177–61.01.0M0.04%
39GPT-5.4 NanoxhighOpenAI70$0.4631455853.9400k0.04%
40Grok 4.20 Multi-AgentSpaceXAI69$1.56349–58.52M<0.01%

如何解读

匹配度是百分位的加权组合,而不是百分制分数:每个维度都与这里所有可评估的其他模型比较排名,再按上面的权重合成。它表示与其他选择相比,一个模型有多适合这项工作——一个模型可能非常适合语音场景,却在质量排行榜上远远靠后,这正是按用途而不是按 Index 排名的意义所在。

最后一列不计入匹配度。它是 OpenRouter 上一周 token 用量中各模型所占的份额,反映的是人们的选择,而不是测量结果——两者往往不同。请把它看作一个市场的切片:直接发往厂商自有 API 的流量不会出现,在自己硬件上运行的模型更是完全不会出现,所以份额小并不能证明没人用。

不同意这样的权重?这很合理,所以我们把它公开列出,而不是藏起来。如果想自己设定条件,请使用模型筛选器。

引用格式:BenchLeader,《最适合大规模信息抽取的模型》,数据截至 2026年11月16日,https://www.benchleader.com/zh/use/bulk-extraction。