第二梯队：专项高手与速度先锋

Claude Opus 4.8 (Anthropic)

在Fable 5出现之前，Opus 4.8是公认的王者。它于2026年5月底发布，现在是Anthropic内部的第二号强手，本身仍是一款顶级模型 。

• 综合及智能体能力: 在被Fable 5超越前，它是首个在人工分析智能指数上取得61.4分并在GDPval-AA排行榜上以1890分登顶的模型 。
• 编程能力: 它在 SWE-bench Pro 上达到69.2% ，在SWE-bench Verified上为88.6% 。
• 数学能力: 在USAMO 2026竞赛数学基准上，它在41天内实现了从69.3%到**96.7%**的历史性飞跃，进步了近27个百分点 。
• 诚实度: 该模型在同类产品中事实幻觉率最低，主要原因是在不确定时会选择不回答，而非猜测 。

GPT-5.5 (OpenAI)

GPT-5.5于2026年4月底发布，是这代模型中首个为OpenAI重新夺回整体性能优势的选手，但其技能组合更为专精 。

• 数学推理: 它是数学领域的佼佼者，在 FrontierMath第一至三档得分51.7% ，在极难的第四档得分35.4%，明显领先同行 。
• 自主命令行操作: GPT-5.5在 Terminal-Bench 2.0上以82.7% 的成绩领先，用于完成复杂的命令行任务，相比之下，Claude Opus 4.7为69.4% 。
• 长上下文检索: GPT-5.5在长上下文检索能力上实现了37个百分点的飞跃，在100万Token上下文的MRCR v2测试中达到74.0%，远超其前身36.6%的成绩 。
• 编程短板: 虽然它是一个强大的全能选手，但其58.6%的SWE-Bench Pro得分，已明显落后于Anthropic的模型 。

Gemini 3.5 Flash (Google)

该模型在2026年谷歌I/O大会上首次亮相，属于“Flash”系列，这意味着它专为高速度和成本效益而设计，同时不失强大性能 。

• 速度与性价比: 据报道，它在智能体和编程任务上的速度比Gemini 3.1 Pro快4倍，且定价极具竞争力 。
• 智能体与工具调用: 它在多步工具使用基准 MCP Atlas 上得分83.6% ，表现强劲 。
• 编程与视觉: 在SWE-Bench Pro上，它以55.1%的得分略微超越了其规模更大的前身Gemini 3.1 Pro，并在CharXiv视觉推理基准上达到84.2% 。
• 编程成绩的独立验证: 独立的人工分析数据显示，其编程得分远低于谷歌自家的对比，因此它在开发者手中的真实效用仍需验证 。

Grok 4.3 (xAI)

Grok 4.3于2026年4月底悄然发布，是一款主打高性价比和超高速、并在特定领域表现出色的模型 。

• 综合排位: 它在人工分析智能指数上得分为53，高于Claude Sonnet 4.6等中端模型，但远低于GPT-5.5和Claude Opus 4.7等第一梯队 。
• 指令遵循之王: 它在 IFBench 上以81%的得分排名第一，击败了GPT-5.5、Gemini 3.1 Pro和Claude Opus 4.7 。
• 智能体能力爆发: Grok 4.3在GDPval-AA智能体任务基准上，比其前身提升了高达321个ELO点，达到1500分 。它还在τ²-Bench电信基准上取得了业界领先的98%得分 。
• 速度怪兽: 早期报告显示其速度达到每秒159个Token，其他基准测试的速度在每秒78.4至196个Token之间 。
• 定价与局限: 其定价极具侵略性，估算为每百万Token输入/输出仅需1.25/2.50美元。对特定领域来说性价比极高，但并非一款通用智能的竞争者 。

开源阵营的挑战者：DeepSeek V4 Pro (深度求索)

DeepSeek V4 Pro于2026年4月发布，是最强的开源挑战者，提供了难以置信的编程性价比，但需要关注独立评估的观点。

• 编程性价比之王: 它在 SWE-bench Verified上得分80.6% ，在LiveCodeBench上为93.5%，在编程能力上几乎可以比肩Claude Opus 4.6，但价格仅为其一小部分（估算输出成本约每百万Token 3.48美元） 。
• CAISI的独立评估: 美国政府机构CAISI发现， DeepSeek V4的能力大约落后前沿水平8个月 。虽然DeepSeek自己的数据将其与2026年3月的模型（如GPT-5.4）对比，但CAISI将其性能与2025年8月发布的GPT-5归为一档 。
• 综合排名: 与闭源巨头相比，它在通用知识和复杂推理任务上有所落后，在一个更广泛的排行榜上于123个模型中排名第39 。

安全性与独立评测

独立的、标准化的安全性评测仍然少见且难以公开获取。

• DeepSeek V4 Pro (CAISI/NIST): 美国政府CAISI的评估是最引人注目的安全信号，其结论是该模型能力落后前沿约8个月 。
• GPT-5.5 (AI安全研究所): 英国AI安全研究所报告称，GPT-5.5在其专家级网络任务测试中通过了71.4%，并指出它“可能是我们测试过的最强模型” 。

如何看待这些结果

尽管容易想选出唯一的赢家，但数据描绘了一幅更务实的图景：

• 如果追求纯粹的编程能力和智能体任务，Claude Fable 5独树一帜，无人能及。
• 如果专注于高难度数学推理和自主命令行工作，GPT-5.5是工具首选。
• 如果需要快速、可靠且成本效益均衡的模型，Gemini 3.5 Flash极具吸引力，但建议根据你的具体用例验证其编程效果。
• 如果你在寻找法律、金融或指令遵循领域的低成本专家，Grok 4.3是出人意料的强大选择。
• 如果你预算有限，又需要顶尖的编程能力并希望使用开源许可证，DeepSeek V4 Pro性价比无出其右，但其实际处理复杂任务的成熟度可能不及最顶尖的专有模型。

请永远记住，基准测试的条件各有不同（提示词、工具使用、推理力度等），并不一定能完美预测你在具体应用场景下的表现。

第二梯队：专项高手与速度先锋

Claude Opus 4.8 (Anthropic)

在Fable 5出现之前，Opus 4.8是公认的王者。它于2026年5月底发布，现在是Anthropic内部的第二号强手，本身仍是一款顶级模型 。

• 综合及智能体能力: 在被Fable 5超越前，它是首个在人工分析智能指数上取得61.4分并在GDPval-AA排行榜上以1890分登顶的模型 。
• 编程能力: 它在 SWE-bench Pro 上达到69.2% ，在SWE-bench Verified上为88.6% 。
• 数学能力: 在USAMO 2026竞赛数学基准上，它在41天内实现了从69.3%到**96.7%**的历史性飞跃，进步了近27个百分点 。
• 诚实度: 该模型在同类产品中事实幻觉率最低，主要原因是在不确定时会选择不回答，而非猜测 。

GPT-5.5 (OpenAI)

GPT-5.5于2026年4月底发布，是这代模型中首个为OpenAI重新夺回整体性能优势的选手，但其技能组合更为专精 。

• 数学推理: 它是数学领域的佼佼者，在 FrontierMath第一至三档得分51.7% ，在极难的第四档得分35.4%，明显领先同行 。
• 自主命令行操作: GPT-5.5在 Terminal-Bench 2.0上以82.7% 的成绩领先，用于完成复杂的命令行任务，相比之下，Claude Opus 4.7为69.4% 。
• 长上下文检索: GPT-5.5在长上下文检索能力上实现了37个百分点的飞跃，在100万Token上下文的MRCR v2测试中达到74.0%，远超其前身36.6%的成绩 。
• 编程短板: 虽然它是一个强大的全能选手，但其58.6%的SWE-Bench Pro得分，已明显落后于Anthropic的模型 。

Gemini 3.5 Flash (Google)

该模型在2026年谷歌I/O大会上首次亮相，属于“Flash”系列，这意味着它专为高速度和成本效益而设计，同时不失强大性能 。

• 速度与性价比: 据报道，它在智能体和编程任务上的速度比Gemini 3.1 Pro快4倍，且定价极具竞争力 。
• 智能体与工具调用: 它在多步工具使用基准 MCP Atlas 上得分83.6% ，表现强劲 。
• 编程与视觉: 在SWE-Bench Pro上，它以55.1%的得分略微超越了其规模更大的前身Gemini 3.1 Pro，并在CharXiv视觉推理基准上达到84.2% 。
• 编程成绩的独立验证: 独立的人工分析数据显示，其编程得分远低于谷歌自家的对比，因此它在开发者手中的真实效用仍需验证 。

Grok 4.3 (xAI)

Grok 4.3于2026年4月底悄然发布，是一款主打高性价比和超高速、并在特定领域表现出色的模型 。

• 综合排位: 它在人工分析智能指数上得分为53，高于Claude Sonnet 4.6等中端模型，但远低于GPT-5.5和Claude Opus 4.7等第一梯队 。
• 指令遵循之王: 它在 IFBench 上以81%的得分排名第一，击败了GPT-5.5、Gemini 3.1 Pro和Claude Opus 4.7 。
• 智能体能力爆发: Grok 4.3在GDPval-AA智能体任务基准上，比其前身提升了高达321个ELO点，达到1500分 。它还在τ²-Bench电信基准上取得了业界领先的98%得分 。
• 速度怪兽: 早期报告显示其速度达到每秒159个Token，其他基准测试的速度在每秒78.4至196个Token之间 。
• 定价与局限: 其定价极具侵略性，估算为每百万Token输入/输出仅需1.25/2.50美元。对特定领域来说性价比极高，但并非一款通用智能的竞争者 。

开源阵营的挑战者：DeepSeek V4 Pro (深度求索)

DeepSeek V4 Pro于2026年4月发布，是最强的开源挑战者，提供了难以置信的编程性价比，但需要关注独立评估的观点。

• 编程性价比之王: 它在 SWE-bench Verified上得分80.6% ，在LiveCodeBench上为93.5%，在编程能力上几乎可以比肩Claude Opus 4.6，但价格仅为其一小部分（估算输出成本约每百万Token 3.48美元） 。
• CAISI的独立评估: 美国政府机构CAISI发现， DeepSeek V4的能力大约落后前沿水平8个月 。虽然DeepSeek自己的数据将其与2026年3月的模型（如GPT-5.4）对比，但CAISI将其性能与2025年8月发布的GPT-5归为一档 。
• 综合排名: 与闭源巨头相比，它在通用知识和复杂推理任务上有所落后，在一个更广泛的排行榜上于123个模型中排名第39 。

安全性与独立评测

独立的、标准化的安全性评测仍然少见且难以公开获取。

• DeepSeek V4 Pro (CAISI/NIST): 美国政府CAISI的评估是最引人注目的安全信号，其结论是该模型能力落后前沿约8个月 。
• GPT-5.5 (AI安全研究所): 英国AI安全研究所报告称，GPT-5.5在其专家级网络任务测试中通过了71.4%，并指出它“可能是我们测试过的最强模型” 。

如何看待这些结果

尽管容易想选出唯一的赢家，但数据描绘了一幅更务实的图景：

• 如果追求纯粹的编程能力和智能体任务，Claude Fable 5独树一帜，无人能及。
• 如果专注于高难度数学推理和自主命令行工作，GPT-5.5是工具首选。
• 如果需要快速、可靠且成本效益均衡的模型，Gemini 3.5 Flash极具吸引力，但建议根据你的具体用例验证其编程效果。
• 如果你在寻找法律、金融或指令遵循领域的低成本专家，Grok 4.3是出人意料的强大选择。
• 如果你预算有限，又需要顶尖的编程能力并希望使用开源许可证，DeepSeek V4 Pro性价比无出其右，但其实际处理复杂任务的成熟度可能不及最顶尖的专有模型。

请永远记住，基准测试的条件各有不同（提示词、工具使用、推理力度等），并不一定能完美预测你在具体应用场景下的表现。