最后核实时间： 2026-06-15（新加坡时间/马来西亚时间）· 下次更新： 2026 年 7 月中旬。Mindber 数据快照 v2026.06。每一项数据均标注其公开来源与日期 —— 详见下文「方法与来源」。价格为混合/示意值，且变动频繁；在投入预算前请以各厂商的实时报价为准。

作者 Mindber Research · AI 模型追踪。数据已于 2026-06-15 对照所引用的排行榜核实。

我们如何评估： 这是一篇 AI 辅助的编辑分析，截至 2026 年 6 月，汇总了来自独立排行榜（Artificial Analysis、vals.ai、Scale AI SEAL、tbench.ai、τ²-bench、LMArena）以及厂商定价页面的公开结果。Mindber 并未自行运行私有基准测试，本文也不是实机产品测评。每一个数字都标注了其出处与日期；任何无法对照实时来源核实的数据，我们都会直接舍弃，而非凭空猜测。

简短结论： 2026 年 6 月并不存在单一的「最佳 AI 模型」—— 只有针对特定任务、特定预算的最佳模型。眼下，Claude Fable 5 在原始能力上居首，GPT-5.5 领跑编程智能体，Gemini 3.1 Pro 是性价比最高的前沿模型；开源权重模型（MiniMax-M3、DeepSeek V4、Qwen3.7 Max）以零头的价格弥补了大部分差距；Nano Banana 2 和 GPT Image 领跑图像生成；在 Sora 2 退役之后，Veo 3.1 / Kling 3.0 领跑视频生成。

下面是完整拆解 —— 更重要的是，多数排行榜都会跳过的那一部分：哪些数字是真的，哪些应该忽略。 想查看 Mindber 对同一领域的实时视图，请参阅 Model Arena 榜单与每周更新的 LLM 排名；想在价格与能力上对两个模型进行正面对比，请使用对比工具。

速览 —— 各类别最佳模型（2026 年 6 月）

能力数据：Artificial Analysis Intelligence Index，2026 年 6 月（381 个模型）。编程：vals.ai SWE-bench Verified + Scale AI SEAL。智能体：tbench.ai Terminal-Bench 2.1。我们为每一个数字标注其来源与日期 —— 详见下文方法。

本月有何变化

5 月末至 6 月初，前沿格局再度变动：

• Claude Fable 5 于 2026 年 6 月 9 日正式发布（GA）（每 100 万 token 收费 $10 / $50，上下文窗口 100 万 token）。它一登场便位列 Artificial Analysis Intelligence Index 榜首（65 分），并在 SWE-bench Verified 上拔得头筹（95.0%）。我们在 Claude Fable 5 指南中拆解了它的访问方式、安全防护与提示词，你也可以在 Anthropic 的官方公告中看到其自身定位。
• Claude Opus 4.8 于 2026 年 5 月 28 日发布（$5 / $25）。它在 SWE-bench Verified 上取得 88.6%，在 Terminal-Bench 2.1 上取得 74.6% —— 是 Claude 产品线中性价比最强的一档。详见其评分卡，以及用于计算盈亏平衡点的 Opus 4.8 成本计算器。
• GPT-5.5（2026 年 4 月 23 日） 是 OpenAI 的默认日常模型，据称相比 GPT-5.4 幻觉率下降约 60%。目前它通过 Codex 领跑智能体编程；最新费率见 OpenAI 定价页面。
• Sora 2 即将退役。 OpenAI 已于 2026 年 4 月 26 日关停 Sora 网页版/应用，API 将于 2026 年 9 月 24 日关闭。请勿在其上启动新的视频流水线。
• 开源权重几乎追平。 DeepSeek V4、MiniMax-M3 和 Qwen3.7 Max 在 SWE-bench Verified 上现已与 Gemini 3.1 Pro 相差约 0.2 分 —— 而 token 价格仅为其十分之一左右。

核心要点：榜单顶端如今是一片高原，而非鸿沟。2026 年真正值得权衡的，是成本、速度与适配度 —— 而不是去追逐排名第一的那一行。

1）文本与推理

最干净的单一能力数字，是 Artificial Analysis Intelligence Index —— 它由 GPQA Diamond、MMLU-Pro、AIME、LiveCodeBench 等多项基准测试综合而成，归一化为单一分数。

来源：Artificial Analysis Intelligence Index，2026 年 6 月。

这样解读： 排名前五的模型在一套广泛的推理测试集上仅相差约 8 分 —— 差距小到对大多数真实工作负载而言，它们在质量上可以互换。真正拉开它们差距的是价格。Gemini 3.1 Pro 以 $1.74 提供 index-57 级别的推理能力；Qwen3.7 Max 以 $1.43 与之持平；MiniMax-M3 则以 $0.22 达到 index-55。只有面对真正最困难的那 5–10% 任务，支付 Fable-5 级别的价格（混合价 $7.70）才划算。如果你的开销主要来自大量中等难度的调用，那么性价比档位并非妥协 —— 它才是正确的默认选择，你也可以在 Mindber 排名上验证这一权衡。

人类偏好 vs 基准测试： LMArena（盲测 A/B 投票）与 Intelligence Index 衡量的是不同维度 —— 一个捕捉人们喜欢什么，另一个捕捉模型能做什么。Claude 与 Gemini 系列轮流占据 LMArena 文本榜的顶端，而这些排名每周都在变动。当两份排行榜结果不一致时，这一差距通常意味着某个模型在聊天风格上调校过度或不足，而不是某一份来源「错了」。这正是 Mindber 的评分方法论将能力与偏好作为两条独立坐标轴、而非合并为单一数字的原因。

2）编程

这是互联网上误导性数字最多的类别，请仔细阅读。

来源：vals.ai SWE-bench Verified，2026 年 6 月。（Opus 4.7 的公布得分在不同运行框架下从 82% 到 88% 不等 —— 详见警示。）

⚠️ 多数排行榜不会告诉你的现实核查

SWE-bench Verified 部分已被刷满，部分则被「背诵」了。 OpenAI 自己的审计发现，前沿模型能够逐字复现某些任务的「标准」补丁 —— 那 500 个 Python 问题在该基准被广泛公布之前，就已经泄漏进了训练数据。OpenAI 已停止公布 Verified 得分，转而推荐使用 SWE-bench Pro。

在 Scale AI 标准化的 SEAL 排行榜上（对每个模型采用完全相同的脚手架），这些数字全面崩塌：

• 最佳公开标准化得分：约 59.1%（GPT-5.4 xHigh）
• 私有商用题集：没有任何模型超过约 47.1%
• 从 Verified 转到 Pro 的典型下降幅度：15–35 分

所以当你看到「SWE-bench 95%」时，请把它翻译成：「这是一个被刷满的基准，在未见过的、更难的真实代码上，实际成功率大约只有这个数字的一半。」 采购决策请使用 Pro / 标准化数字，Verified 仅用于粗略的相对排名。更深一层的教训正是 Mindber 的验证方法论所极力强调的：一个头条基准数字只是一个起始假设，而不是一份采购决定。

3）智能体与工具调用

对于智能体类工作，运行框架与模型同样重要。 同一个模型在 Codex CLI、搭载 Opus 4.8 的 Claude Code 与自定义脚手架中得分各不相同 —— 智能体排行榜排的是智能体 + 模型的组合，而非单独的模型。

Terminal-Bench 2.1（通过终端操作一台真实计算机 —— 编译代码、搭建服务器、运行数据工作流）：

来源：tbench.ai，2026 年 6 月。

客服 / 结构化工具调用（τ²-bench）： 情况完全不同 —— GLM 系列模型（例如 GLM-4.7-Flash，98.8%）在零售/航空类工具调用任务中居首。一个赢下终端自动化的模型，可能在多轮客服工具调用上落败。请按你实际运行的任务来挑选智能体，而不是凭单一榜单 —— 如果你拿不准哪些模型该进你的候选名单，可以先从按用例筛选的 AI 工具目录入手。

4）图像生成

图像赛道已经分化出清晰的细分车道 —— 不存在整体第一，只有各车道的最佳。

• 最佳全能 / 角色一致性： Nano Banana 2（Gemini 3.1 Flash Image）。原生 4K，在多次编辑中保持面部与风格稳定 —— 非常适合系列化内容（吉祥物、分镜、营销活动）。属于高端价位，约 $0.13–0.24/张。
• 最佳文本与排版： GPT Image（1.5 / 2）。一个会「思考」的潜空间，能够推理空间指令 —— 是唯一一个你可以放心让它把标题拼写正确的模型。在 Arena.ai 的提示词遵从度上始终名列前茅。
• 最佳性价比 / 大批量： Seedream 5.0（字节跳动）。生产级 4K，约 $0.026–0.032/张 —— 专为电商商品目录与内容日历打造。
• 最适合 Logo 与海报： Ideogram v3。
• 最适合品牌/风格锁定与开源权重： Flux 2 Pro（dev/pro/max 各档）。
• 最适合非英语提示词： Qwen Image（在中文、阿拉伯语、西班牙语上表现强劲）。
• 最快： Z-Image Turbo（每张约 1 秒）。

面向东南亚 / 多语言创作者： Qwen Image 和 Seedream 在处理中文及混合文字提示词时，比西方调校的模型更可靠，而 Seedream 的单图成本使得在小预算下批量出商品图成为现实。你可以在发现目录中浏览图像生成领域，并查看 Mindber 评分与实时报价。

5）视频生成

最大的看点是一次告别：Sora 2 即将关停（网页版/应用 2026 年 4 月 26 日；API 2026 年 9 月 24 日）。如果你正在使用它，请立即规划迁移。以下是剩下的竞争格局：

• 最佳电影质感 + 原生音频： Veo 3.1（Google）。唯一能生成 48kHz 同步对白（而不只是音效）的模型。在人物主体与自然光线上拥有最佳的照片级真实感。按档位约 $0.15–1.20/5 秒片段。
• 最佳性价比： Kling 3.0（快手）。原生 4K、60fps、多语言对口型，约 $0.10/秒 —— 迭代工作的主力。
• 最热门的图生视频： Seedance 2.0（字节跳动）。风格化运动表现强劲，擅长短视频竖屏内容。
• 新晋前沿挑战者： HappyHorse-1.0（阿里巴巴）。音视频联合生成，7 种语言对口型，正在 Artificial Analysis 视频榜上攀升；已在 fal.ai 上线。
• 最佳创作掌控力： Runway Gen-4.5。 运动笔刷、场景一致性以及真正的时间线编辑器 —— 它虽已失去排行榜领先地位，但在有导演意图的多镜头创作上仍然取胜。
• 最佳 HDR： Luma Ray3.14（原生 16-bit HDR）。

注意：视频竞技场得分采用不同的量纲（LMArena 文生视频 vs Artificial Analysis），因此跨榜单的数字比较并不可靠。请把它们视为各车道的领跑者，而非单一的排名阶梯。

6）最佳性价比与开源权重（自力更生车道）

如果你正在交付产品并紧盯利润率，这是本报告中最重要的一张表。开源权重如今已逼近前沿水平，而成本只是零头：

来源：Artificial Analysis，2026 年 6 月。

路由策略： 成本最优的方案不是某一个模型 —— 而是一个路由器。把约 80% 的流量固定到一个便宜的主力模型（DeepSeek V4 / MiniMax-M3 / 某个小号 Gemini Flash），并把一个前沿模型（Opus 4.8 / Fable 5）保留给那困难的 20%。如果做得好，这在成本和质量上都能胜过任何单一模型的订阅方案。这一拆分的经济账 —— 以及为何标价单只占真实账单的一小部分 —— 在 《2026 年 AI 工具的真实成本》中有完整的端到端推演。

7）速度（用于实时场景与长智能体链）

当延迟在大量连续步骤中不断累积时，吞吐量就成了决定性指标：

• Mercury 2（Inception，扩散式 LLM）—— 约 889 tokens/秒
• Granite 4.0 H Small（IBM）—— 约 524 t/s
• Step 3.7 Flash —— 约 385 t/s
• gpt-oss-120b（high）—— 约 338 t/s
• Gemini 3.1 Flash-Lite —— 约 326 t/s

来源：Artificial Analysis 输出速度中位数，2026 年 6 月。 对于聊天体验，任何超过约 150 t/s 的速度都已让人感觉即时；速度最关键的场景是智能体循环和批处理任务，因为在链条中每多出一秒，都会被连续步骤的数量成倍放大。

如何真正挑选一个模型

别再为排名第一的那一行优化了。让模型匹配任务：

• 最难的推理、不计成本 → Claude Fable 5 或 Opus 4.8。
• 前沿水平下每美元最佳质量 → Gemini 3.1 Pro 或 Qwen3.7 Max。
• 自托管 / 数据驻留 / 最低成本 → MiniMax-M3、DeepSeek V4 或 Qwen3.7 Max。
• 在智能体内编程 → 通过 Codex 的 GPT-5.5，或通过 Claude Code 的 Opus 4.8。
• 图像 —— 通用 → Nano Banana 2；图中文本 → GPT Image；大批量 → Seedream 5。
• 视频 —— 电影质感 + 音频 → Veo 3.1；性价比/迭代 → Kling 3.0。
• 实时 / 高吞吐 → Mercury 2 或某个 Flash 档位模型。

下面的决策网格，就是把同样的逻辑整理成一份你可以直接交给采购方的表格：

常见问题

方法与来源

我们不运行自己的私有基准测试，也不编造分数。这份排行榜汇总来自独立来源的公开结果，并为每一项数据标注其出处与日期 —— 这种透明性正是重点所在，也是我们的评分方法论对每一个产品页面所坚持的同一标准。

• 能力 / 价格 / 速度： Artificial Analysis Intelligence Index（381 个模型），2026 年 6 月。
• 编程： vals.ai（SWE-bench Verified）与 Scale AI SEAL（SWE-bench Pro，标准化脚手架），2026 年 6 月。
• 智能体： tbench.ai（Terminal-Bench 2.1）与 τ²-bench，2026 年 6 月。
• 人类偏好： LMArena（盲测 A/B 投票），2026 年 6 月。
• 厂商定价与规格： Anthropic、OpenAI 与 Google Gemini 定价页面，2026 年 6 月。

价格为混合/示意值，且变动频繁 —— 在投入预算前请以各厂商的实时报价为准。一些研究预览版模型（例如 Mythos 档位的预览版）出现在排行榜上，但并未普遍开放；我们只对公开可用的领域进行排名。想全面了解一个模型在计入重试、输出不对称与闲置席位之后的真实成本，请阅读 《2026 年 AI 工具的真实成本》。

发现了错误或我们遗漏的新发布？这是改进一份排行榜最快的方式 —— 请告诉我们。

在 Mindber 上探索更多：实时 Model Arena 排名 · 最新动态 · 每周更新的 LLM 排名 · 完整的 AI 工具目录 · 我们全部的指南。

Mindber 上的相关文章

2026 年 AI 工具的真实成本：标价 vs 现实

为什么一款 AI 工具的真实成本约为标价单的 8 倍 —— 一套完整溯源的 TCO 模型，附七项隐藏成本。

Opus 4.8 成本计算器：何时它能胜过 Sonnet 与 GPT-5.5

盈亏平衡的工作负载、智能路由带来的节省，以及当前各前沿模型的逐模型缓存费率。

Claude Fable 5：它是什么、如何使用，以及那些能压榨出它实力的提示词

Anthropic 首个公开的 Mythos 级模型 —— 定价、安全防护、基准测试、访问方式，以及可直接复制粘贴的提示词。