Artificial Analysis

Artificial Analysis，独立 AI 模型性能、速度与价格对比基准测试平台，帮助开发者选择最适合其场景的模型。

Gemini 3.7 Flash：智能与任务耗时的帕累托前沿

Google发布Gemini 3.7 Flash，智能指数56，速度比GPT-5.6快40% Gemini 3.7 Flash高推理模式智能指数56，较3.6提升4分，接近GPT-5.6 Terra的57分。平均任务耗时1.7分钟，输出约340 token/秒，是GPT-5.6的3倍。年终结算前享半价，单任务成本0.40美元，较3.6降低30%。在AutomationBench-AA和AA-AnalystAgent基准测试中领先，上下文窗口保持1M tokens不变。

收藏2 天前

Qwen3.8 2.4T A95B：智能、性能与价格分析

Artificial Analysis 发布 Qwen3.8 2.4T A95B 模型的多维度评测数据，涵盖智能指数、成本、速度、延迟等指标。该模型在 Intelligence Index v4.1.1 的 9 项评测中有具体得分，支持长上下文窗口，MoE 架构下活跃参数远小于总参数。定价按输入、缓存命中、输出分档计费，推理速度以 tokens/秒衡量。

收藏2 天前

Gemini 3.7 Flash 性能与成本评测：智能指数、速度和定价全解析

Gemini 3.7 Flash 在 Artificial Analysis 的9项评测中展示性能与成本数据。涵盖推理、知识、代码、幻觉率、长上下文等维度，附带 AA-Briefcase 和 AA-Omniscience 专项指标。输入、缓存命中、推理、输出各阶段 token 价格分开列出，可按任务类型计算实际成本。输出速度、首 token 延迟、端到端响应时间等性能指标同步提供，便于与同类模型对比。

收藏2 天前

Artificial Analysis推出Optima：用自有数据构建自定义AI模型评测基准

Artificial Analysis推出Optima工具，支持用自有任务和数据构建自定义AI模型评测基准，对比各模型性能、成本与耗时。定价按token消耗计费，无额外加价；rubric评分$0.25/条/模型，pairwise评分$0.75/场。支持Q&A客观评分和自定义agent接入。

收藏2 天前

DeepSeek V4 Pro 0813：智能、性能与价格分析

Artificial Analysis 发布 DeepSeek V4 Pro 模型的多维度评测数据，涵盖智能指数、开放指数、成本、速度、延迟等指标。文章以基准测试结果和性能对比为主，提供模型选型参考数据。

收藏3 天前

Grok 4.6智能指数得分61，跻身前沿阵营，代理性能突出且成本更低

Grok 4.6在Artificial Analysis智能指数上得分61，与GPT-5.6 Sol持平，仅次于Claude Opus 5（63分）。定价维持$2/$6每百万token，比Claude Opus 5和GPT-5.6 Sol低60%以上，每任务成本仅$0.84。在代理任务上表现突出：τ³-Banking得分50.7%（与Qwen3.8 Max并列前二），Terminal-Bench v2.1得分88.4%。长程知识工作任务平均仅需53轮对话和0.5B输入token，约为Claude Opus 5的一半和四分之一。上下文窗口500k token，缓存命中价格从$0.3上调至$0.5。

收藏3 天前

Grok 4.6 智能、性能与价格分析

Artificial Analysis 发布 Grok 4.6 的基准测试数据，涵盖 9 项评估指标、AA-Briefcase 智能工作表现、幻觉率、成本 per task 及 token 定价。

收藏3 天前

Muse Glimmer 智能指数、性能与成本分析

Artificial Analysis 发布 Muse Glimmer 模型的多维度基准评测，涵盖 9 项评估指标，包括推理能力、知识可靠性、幻觉率、长上下文推理等。成本按输入、缓存命中、推理和输出 token 分别计算，提供每任务加权平均成本。上下文窗口和开源参数信息一并列出，适合模型选型参考。

收藏5 天前

Qwen3.8 Max 在 Artificial Analysis Agentic Index 中登顶

Qwen3.8 Max 在 Artificial Analysis 的 Agentic Index 中排名首位，超越其他主流模型。该指数基于 GDPval-AA v2 和 τ³-Banking 两个基准的加权平均，衡量 AI 在工具调用、规划、自主执行等 agent 工作流中的表现。Intelligence Index v4.1 共纳入 9 项评估，涵盖编码、科学推理、长上下文、知识可靠性等维度。页面同时提供各模型的成本、速度和输出 token 数据对比。

收藏9 天前

Qwen3.8 Max 智能、性能与价格分析

Artificial Analysis 对 Qwen3.8 Max 做了全面基准测试，涵盖智能指数、成本、速度、延迟等维度。该模型在 GDPval-AA、Terminal-Bench、GPQA Diamond 等 9 项评测中有具体得分，支持 1M+ token 上下文窗口，推理模式含 thinking time。定价按 input、cache hit、output、reasoning token 分别计费，适合需要对比开源/闭源模型性价比的开发者参考。

收藏9 天前

Muse Spark 1.2 智能、性能与价格分析

Artificial Analysis 发布 Muse Spark 1.2 模型的多维度评测数据，涵盖 9 项基准测试的综合智能指数、各分项得分、每任务成本、输出 token 用量及上下文窗口。页面同时提供与同类模型的性价比对比和 Pareto 前沿线，适合在做模型选型时参考成本与性能的权衡。

收藏10 天前

DeepSeek V4 闪存 0731 智能、性能与价格分析

收藏16 天前

Claude Opus 5 模型性能与成本深度评测

Artificial Analysis 发布 Claude Opus 5 的详细基准测试数据，涵盖 Intelligence Index v4.1（含 GDPval、Terminal-Bench 等9项评估）、AA-Briefcase 智能体工作流表现、幻觉率（AA-Omniscience）及成本效益。内容包含各维度评分、每任务成本、Token 消耗、输出速度、首字延迟及端到端响应时间，并对比不同提供商的缓存定价策略。

收藏22 天前

克劳德作品5

收藏23 天前

Kimi K3：在 AA-Briefcase 基准测试中表现仅次于 Fable 5

Artificial Analysis 发布 Kimi K3 在 AA-Briefcase（代理知识工作基准）上的评测结果。该模型综合得分 1543，仅次于 Claude Fable 5，超越 GPT-5.6 Sol 和 Opus 4.8。但代价高昂：单次任务平均耗时近 1 小时，成本约 10.57 美元，是 Fable 5 的两倍多。主要瓶颈在于多轮交互次数多（83 轮）及输出 Token 量大，展示能力相对较弱。

收藏25 天前

Gemini 3.6 Flash (High) 智力、性能与价格深度分析

Artificial Analysis 发布 Gemini 3.6 Flash (High) 的详细评测数据。涵盖 Intelligence Index v4.1 综合智力排名、AA-Briefcase 智能体工作流表现、幻觉控制（AA-Omniscience）、端到端响应速度及延迟。重点提供各维度成本分析，包括单任务加权平均价格、Token 消耗效率及不同提供商的缓存定价差异，为开发者选型提供量化依据。

收藏25 天前

Kimi K3 beats GPT 5.6 Sol in agentic knowledge work

收藏30 天前

Kimi K3 智能、性能与价格深度分析

Artificial Analysis 对 Moonshot Kimi K3 进行了全面基准测试。涵盖智力指数（9项评测）、成本效率、推理速度及延迟。数据对比了开源与闭源模型，提供按任务计费的加权平均成本分析。对于关注国产大模型实际落地性能、API 调用性价比以及工程部署延迟的技术团队，这份详细的一手量化数据极具参考价值。

收藏30 天前

Thinking Machines 发布 Inkling：超越 Nemotron 的美国最强开源多模态模型

Thinking Machines 发布 Inkling，975B 参数（激活 41B），支持文本、图像、音频多模态输入。在 Artificial Analysis 智能指数上得分 41，超越 Nemotron 3 Ultra 和 Gemma 4，成为美国实验室领先的开源权重模型。其代理性能（GDPval-AA v2 Elo 1238）优于 Kimi K2.6 和 DeepSeek v4 Flash，且 Token 效率更高。提供 Tinker API 及 HuggingFace 权重下载。