最适合深度研究的模型
值得等待答案的难题:阅读一大堆资料、据此推理、写出站得住脚的内容。在这里,你希望模型需要想多久就想多久。延迟不在考虑之列,价格也很少成为问题,因为替代方案是让一个人花掉整个下午。
截至 2026年11月16日,最适合这一用途的是 Claude Fable 5.2(max),推理为 75,知识为 75。
权重说明
- 30%推理这项工作是沿着一长串论证推进而不中断
- 25%质量研究问题从不局限于单一类别,因此需要全面的能力
- 25%知识记得准确,并且不肯编造自己不知道的东西
- 20%长上下文资料必须放得下,而且模型读到最后仍要保持注意力
在 339 个已排名模型中,有 272 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 | 推理 | 知识 | 长上下文 | 质量 | 每百万 token 价格 | OpenRouter 份额 |
|---|---|---|---|---|---|---|---|---|
| 1 | 新 | 97 | 75 | 75 | 66 | 72.7 | $16.00 | 0.40% |
| 2 | 95 | 69 | 67 | 66 | 68.4 | $8.00 | 3.3% | |
| 3 | 95 | 68 | 66 | 67 | 66.7 | $20.00 | 0.08% | |
| 4 | 94 | 68 | 68 | 66 | 65.4 | $20.00 | 0.01% | |
| 5 | 94 | 72 | 71 | 64 | 68.9 | $4.00 | 0.31% | |
| 6 | 新 | 93 | 67 | 68 | – | 63.4 | $3.00 | 0.08% |
| 7 | 93 | 70 | 65 | 66 | 66.6 | $4.00 | 1.8% | |
| 8 | 92 | 72 | 66 | 65 | 67.3 | $20.00 | 0.14% | |
| 9 | 90 | 67 | 67 | 64 | 65.3 | $4.00 | 0.43% | |
| 10 | 90 | 66 | 66 | 65 | 65.0 | $10.00 | 0.09% | |
| 11 | 90 | 68 | 64 | – | 63.1 | $67.50 | <0.01% | |
| 12 | 89 | 61 | 69 | 66 | 61.6 | $2.00 | 0.03% | |
| 13 | 89 | 67 | 66 | – | 60.0 | – | – | |
| 14 | 89 | 61 | 68 | 65 | 64.4 | $8.00 | 0.05% | |
| 15 | 88 | 63 | 66 | 65 | 62.1 | $1.50 | 0.15% | |
| 16 | 88 | 66 | 62 | 67 | 61.7 | – | – | |
| 17 | 88 | 68 | 67 | 63 | 62.2 | $2.00 | <0.01% | |
| 18 | 86 | 65 | 62 | 66 | 60.4 | $4.50 | 0.05% | |
| 19 | 86 | 67 | 65 | 64 | 61.5 | $2.00 | <0.01% | |
| 20 | 85 | 67 | 63 | 64 | 64.2 | – | – | |
| 21 | 84 | 62 | 64 | 64 | 64.1 | $11.25 | 0.02% | |
| 22 | 84 | 62 | 58 | 68 | 61.8 | $4.00 | 1.6% | |
| 23 | 82 | 60 | 64 | 64 | 65.3 | $8.00 | 0.11% | |
| 24 | 82 | 61 | 60 | 65 | 62.1 | $2.92 | – | |
| 25 | 82 | 61 | 61 | 66 | 60.2 | $1.50 | 0.77% | |
| 26 | 81 | 64 | 61 | 64 | 60.0 | $3.75 | <0.01% | |
| 27 | 81 | 62 | 61 | 63 | 63.1 | $10.00 | <0.01% | |
| 28 | 81 | 63 | 62 | – | 58.1 | $2.00 | – | |
| 29 | 79 | 55 | 66 | – | 59.6 | $41.25 | <0.01% | |
| 30 | 79 | 61 | 61 | 63 | 61.1 | $10.00 | 0.07% | |
| 31 | 79 | 62 | 62 | 61 | 62.5 | $10.00 | 0.04% | |
| 32 | 78 | 55 | 64 | 65 | 61.0 | $1.50 | 0.04% | |
| 33 | 78 | 54 | 59 | 67 | 60.7 | $6.00 | 0.55% | |
| 34 | 78 | 60 | 57 | 64 | 64.1 | $2.00 | 0.58% | |
| 35 | 78 | 58 | 59 | 65 | 60.6 | $3.00 | 0.03% | |
| 36 | 76 | 63 | 58 | 62 | 60.0 | – | – | |
| 37 | 76 | 63 | 57 | 64 | 59.0 | $1.13 | <0.01% | |
| 38 | 75 | 64 | – | 60 | 58.6 | $3.44 | – | |
| 39 | 75 | 62 | – | 61 | 58.8 | – | – | |
| 40 | 75 | 64 | – | 59 | 59.1 | – | – |
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,《最适合深度研究的模型》,数据截至 2026年11月16日,https://www.benchleader.com/zh/use/deep-research。