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 | 88 | $0.200 | 437 | – | 52.1 | 1.0M | 0.26% |
| 2 | 87 | $0.175 | 136 | – | 56.8 | 1.0M | 1.0% | |
| 3 | 新 | 87 | $0.150 | 190 | – | 50.8 | 1M | – |
| 4 | 86 | $0.095 | 266 | – | 41.4 | 1M | 0.01% | |
| 5 | 85 | $0.150 | 133 | 66 | 56.3 | 256k | – | |
| 6 | 84 | $0.200 | 231 | 63 | 56.7 | 1M | 1.3% | |
| 7 | 84 | $0.115 | 119 | – | 51.7 | 262k | 0.06% | |
| 8 | 82 | $0.262 | 151 | – | 54.3 | 1M | 1.6% | |
| 9 | 82 | $0.525 | 240 | – | 58.5 | 1.0M | 7.4% | |
| 10 | 81 | $0.525 | 174 | 70 | 57.7 | 1.0M | 28.0% | |
| 11 | 81 | $0.375 | 346 | 69 | 49.2 | 128k | – | |
| 12 | 80 | $0.450 | 183 | 70 | 51.1 | 262k | <0.01% | |
| 13 | 80 | $0.200 | 103 | – | 55.1 | 1.1M | 4.0% | |
| 14 | 80 | $0.275 | 271 | – | 45.8 | 1.0M | 1.7% | |
| 15 | 79 | $0.525 | 118 | 80 | 56.1 | 1M | 0.29% | |
| 16 | 79 | $0.475 | 193 | – | 54.2 | 1.0M | 0.02% | |
| 17 | 78 | $0.438 | 148 | 67 | 53.0 | 256k | <0.01% | |
| 18 | 77 | $0.450 | 110 | – | 58.2 | 1.1M | 0.88% | |
| 19 | 77 | $0.262 | 124 | 70 | 40.9 | 128k | – | |
| 20 | 77 | $0.138 | 165 | 60 | 47.4 | 400k | 0.03% | |
| 21 | 77 | $0.088 | 199 | 55 | 47.4 | 262k | <0.01% | |
| 22 | 76 | $0.175 | 94 | – | 51.8 | 1M | 0.01% | |
| 23 | 75 | $0.600 | 175 | 72 | 45.9 | 192k | <0.01% | |
| 24 | 74 | $1.05 | 199 | 79 | 49.1 | 1M | 1.5% | |
| 25 | 73 | $0.563 | 301 | 63 | 52.6 | 1.0M | 0.24% | |
| 26 | 73 | $0.475 | 100 | – | 57.9 | 1.0M | 0.59% | |
| 27 | 73 | $1.13 | 196 | 66 | 58.9 | 1.0M | 0.32% | |
| 28 | 73 | $0.600 | 288 | – | 45.9 | 1.0M | – | |
| 29 | 72 | $0.175 | 366 | 47 | 47.9 | 1.0M | 0.14% | |
| 30 | 72 | $0.850 | 308 | – | 51.4 | 1.0M | 0.11% | |
| 31 | 72 | $0.525 | 100 | 71 | 51.5 | 205k | – | |
| 32 | 72 | $0.525 | 116 | – | 52.0 | 66k | <0.01% | |
| 33 | 71 | $0.093 | 156 | 49 | 45.4 | 131k | 0.07% | |
| 34 | 71 | $2.00 | 193 | 70 | 62.2 | 1.0M | <0.01% | |
| 35 | 71 | $0.230 | 80 | – | 53.9 | 256k | – | |
| 36 | 70 | $0.248 | 176 | 56 | 45.7 | 131k | 0.21% | |
| 37 | 70 | $0.190 | 123 | 53 | 49.2 | 262k | 0.04% | |
| 38 | 70 | $1.50 | 177 | – | 61.0 | 1.0M | 0.04% | |
| 39 | 70 | $0.463 | 145 | 58 | 53.9 | 400k | 0.04% | |
| 40 | 69 | $1.56 | 349 | – | 58.5 | 2M | <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。