BenchLeader

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Claude Fable 5.2maxAnthropic9775756672.7$16.000.40%
2Claude Opus 5.5maxAnthropic9569676668.4$8.003.3%
3Claude Fable 5.1maxAnthropic9568666766.7$20.000.08%
4Claude Fable 5Anthropic9468686665.4$20.000.01%
5Gemini 4 CarbonhighGoogle9472716468.9$4.000.31%
6新Gemini 4 HydrogenhighGoogle936768–63.4$3.000.08%
7GPT-6.1 SolmaxOpenAI9370656666.6$4.001.8%
8GPT-6 AstramaxOpenAI9272666567.3$20.000.14%
9Gemini 4 ArgonhighGoogle9067676465.3$4.000.43%
10Claude Opus 5maxAnthropic9066666565.0$10.000.09%
11GPT-5.4 ProOpenAI906864–63.1$67.50<0.01%
12Muse Spark 1.3Meta8961696661.6$2.000.03%
13Kimi K3.1 Pro TogethermaxMoonshot AI896766–60.0––
14Muse WonderMeta8961686564.4$8.000.05%
15Gemini 3.7 FlashhighGoogle8863666562.1$1.500.15%
16Muse Wonder FullmaxMeta8866626761.7––
17Muse Spark 1.1Meta8868676362.2$2.00<0.01%
18Gemini 3.1 ProhighGoogle8665626660.4$4.500.05%
19Muse Spark 1.2xhighMeta8667656461.5$2.00<0.01%
20Muse SparkMeta8567636464.2––
21GPT-5.5xhighOpenAI8462646464.1$11.250.02%
22Kimi K3.1 ProMoonshot AI8462586861.8$4.001.6%
23GPT-5.6 SolmaxOpenAI8260646465.3$8.000.11%
24Qwen3.6 MaxmaxAlibaba8261606562.1$2.92–
25Gemini 3.8 FlashmediumGoogle8261616660.2$1.500.77%
26Qwen3.7maxAlibaba8164616460.0$3.75<0.01%
27Claude Opus 4.7Anthropic8162616363.1$10.00<0.01%
28Muse Spark Open 816B A42BxhighMeta816362–58.1$2.00–
29GPT-5 ProOpenAI795566–59.6$41.25<0.01%
30Claude Opus 4.8maxAnthropic7961616361.1$10.000.07%
31Claude Opus 4.6highAnthropic7962626162.5$10.000.04%
32Gemini 3.6 FlashhighGoogle7855646561.0$1.500.04%
33Kimi K3Moonshot AI7854596760.7$6.000.55%
34GPT-6.1 TerramaxOpenAI7860576464.1$2.000.58%
35Grok 4.6highSpaceXAI7858596560.6$3.000.03%
36Gemini 3 ProGoogle7663586260.0––
37Qwen3.6 PlusAlibaba7663576459.0$1.13<0.01%
38GPT-5-CodexhighOpenAI7564–6058.6$3.44–
39Mimo v2 OmniXiaomi7562–6158.8––
40Mimo v2 ProXiaomi7564–5959.1––

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。