61 款模型同台，冠军不意外，第二名才是新闻

第三方选型站 AI Agent Store 在 10 月 15 日更新了编码模型横评，把 61 款模型摆上了同一张桌子，数据快照取自当日，题库用的是 LiveBench 2026 年 6 月 25 日版。冠军没什么悬念，Claude Opus 5.5 以 79.4 的 Agent Fit 分坐稳头把交椅，月成本 $80。真正的新闻在第二名：DeepSeek V4.1 Flash 拿下 78.8 分，只落后 0.6 分，月成本却只有 $1.94——价格差了 40 倍，分数几乎抹平。

先解释下这个 Agent Fit 怎么来的：LiveBench 的 agentic coding 占 45%，普通 coding 任务占 30%，推理占 15%，指令遵循占 10%。你平时用 Cursor、Claude Code 这类工具干活，吃的就是这套组合，所以它比单看某一项跑分更贴近真实体感。更扎眼的是性价比榜。这份横评单独算了一列 Practical Value，DeepSeek V4.1 Flash 以 84.1 排在全榜第一。它是开源权重模型，上下文 1.05M tokens，输入 $0.0158、输出 $0.891 每百万 tokens，自己拉下来部署也行。把话说在前面：这是第三方聚合榜单，不是任何厂商的官方基准，页面里 Evidence Consensus 一栏大多标注「证据不足」。排名可以当导航，别当圣经。

两列编码指标，混着看必踩坑

这份榜单页面自己给出的第一条建议就值得抄在笔记本上：把两列编码指标分开看。Coding 列测的是受限环境下的代码生成与补全，说白了就是你把需求贴给它，它吐一段函数；Agentic coding 列测的是工具调用工作流里的真实表现，横跨 JavaScript、TypeScript 和 Python，模型得自己翻仓库、定位文件、跑终端、看报错、再打补丁。榜单原话是：前者擅长的模型，后者可能需要更好的工具、更明确的指令，或者更多次尝试。这两列考的是两种能力，背道而驰太正常了。

为什么官方分普遍虚高？原因不神秘：跑分这件事从头到尾都是厂商自己搭台——harness 怎么写、任务池挑哪些、给模型多少次重试、扣分线画在哪，全是可以调的旋钮。同一道 Terminal-Bench 4.0，Mistral 官方跑出 28.3%，Vals AI 用自己的配置只复现出 22.73%，差出来的五个点全在配置里。所以看到任何跑分，先看是自报家门还是第三方复核，这两类数字不该出现在同一张表里做算术平均。

同一款模型在不同口径下的分差，比不同模型之间的差距还大。DeepSeek V4.1 Flash 的 Coding 是 80.0，Agentic coding 是 77.3；官方口径的 DeepSWE v1.1 高达 74.2%，可独立机构 Artificial Analysis 跑 Terminal-Bench 4.0 只给出 26.8%，DeepSeek 自己的数字是 31.2%。Claude Haiku 5.5 也一样：官方报 Terminal-Bench 4.0 拿 39.2%，独立跑分落在 32.8% 到 35.35% 之间。官方分和独立分能差出一条街，谁测的、用什么 harness、什么推理配置，这三个问题不问清楚，分数就没有意义。

70/30 加权算出的甜蜜区，2 美元档挤了三款

这份横评的性价比算法写得很透明：Practical Value = 70% 能力 + 30% 可负担性，也就是 7:3 加权，前者用 Agent Fit，后者用你设置的负载算出的月成本。页面还画了阴影区——Agent Fit 70 分以上、月成本 21 美元以内，能同时踩进这两条线的模型一只手数得过来。

Practical Value 排行前排基本被三款包圆：DeepSeek V4.1 Flash 84.1，Claude Haiku 5.5 75.3，GLM-5.3 Flash 73.7。三款全是 2 美元月成本档的选手，定位却各有各的算盘。Haiku 5.5 是 Anthropic 10 月 7 日刚发布的，$0.1/$0.5 每百万 tokens，第一个支持 effort 调节的 Haiku，而且有个反直觉的数据点：Cursor 的 CursorBench 4.0 里，它开 high effort 拿 42.3 分、单任务 $0.32，干过了 Sonnet 5.5 的 medium 档——39.2 分、$0.52。但你得记住它的小陷阱：prompt 超过 100K tokens 整单按五倍价计费。GLM-5.3 Flash 走开源权重路线，$0.15/$0.5，价格贴着 DeepSeek 打，Agent Fit 66.2 在同价位里够用。DeepSeek 这边的数据更实在：Standard Compute 抓了 79,301 个真实编码 agent 请求来算账，平均一次 $0.0067，87% 的输入走了缓存，输出速度 195 tokens/s，而且峰时谷时价差一半——把批量任务排到谷时段，账单还能再砍一刀。

Mistral Large 4 的开源承诺：权重呢，license 呢

Mistral Large 4 的这波发布值得单独拎出来说。10 月 6 日上线，约 1 万亿参数的 MoE，52B 激活，欧洲自建机房训练和服务，宣传口径里写着 open-weight。可截至 10 月 12 日，你下载不到任何权重，Hugging Face 页面挂的是 10 月 31 日的倒计时，license 一栏空空如也。要知道上一代 Large 3 可是 Apache 2.0 直接放传的。Kimi K3 上次的开源 license 惊喜很多人还记忆犹新，「开源」两个字的 fine print 能藏多少东西，现在谁也说不准。

数字同样不够硬气。官方自报 DeepSWE 61.7%、Terminal-Bench 4.0 28.3%，盲测人评第二、输给 Claude Opus 5——这点倒是坦荡。独立机构就没这么客气了：Artificial Analysis 的 Intelligence Index 只给 38 分，落后 GLM-5.3 的 45 分和 Kimi K3 的 44 分。输出速度 116 tokens/s 不算慢，但被评价为「极其啰嗦」，token 用量比中位数高出一截，单价便宜不等于账单便宜。上下文口径也在打架：官方写 1M，Vals 记 512K，Artificial Analysis 记 524K，没做过长文档管线之前别按最大的数字设计。促销价 $0.68/$2.09 是原价 $1.36/$4.18 的一半，preview 结束后价格翻倍，别感到意外。它真正的牌其实是欧盟数据合规——如果你的合规要求卡死在欧洲境内推理，preview API 值得拿非关键业务试水，除此之外，先观望。

榜单看完之后，用这份清单自己复测

榜单的正确用法是圈短名单，不是下结论。分数只能告诉你哪些值得进候选池，候选池里的生死，得由你自己的任务来判。给你一份可以直接执行的自查清单：

三款怎么选？粗粒度的分法是：海量小步骤、批量跑测、子 agent 分发，DeepSeek 和 GLM 这类开源模型按量计费的优势最大；要挂在大厂生态里做子任务路由，Haiku 的 Claude Code 集成最省心；预算再紧、想自己私有化部署，开源权重就是硬道理。清单给你列好了：

• 所有候选用同一套开发工具跑：仓库检索、补丁应用、终端权限、测试循环都会改变结果，工具不一样，排名就不一样。
• 记录模型版本和推理设置，reasoning 开到 max 还是 medium，分差能到好几分，别让这种变量污染对比。
• 成本要算整个编辑周期：每轮重发的上下文、思考 token、失败重试都算钱，缓存折扣各家政策不同，别只看单价。
• 按「每个被接受结果的成本」记账，一次通过和来回改三轮，是两种完全不同的经济学。
• 用自己的任务复测：框架知识、冷门依赖、数据迁移、多文件改动、安全敏感代码，这些基准都不覆盖，你的回归套件才有决定权。
• 把规格写得模型无关，换模型只改一行配置，今天测 DeepSeek，明天换 Haiku，同一把尺子量到底。

总结

61 款模型摆在一起，真正的信息不是谁排第一，而是分层本身：Opus 5.5 和 Fable 5.1 守着能力天花板，用价格换长链路自主任务的确定性；2 美元档的 DeepSeek V4.1 Flash、Haiku 5.5、GLM-5.3 Flash 把性价比卷到了新高度，适合高并发、短链路和子任务分发；Mistral Large 4 则提醒所有人，「承诺开源」和「交付开源」是两回事，权重落地之前一切都只是路线图。回到开头那个数字：0.6 分的差距，40 倍的价差，这在两年前不可想象，如今就是日常。榜单负责缩小范围，你的工作负载负责拍板，这大概就是选型这件事的全部真相。

网友评论

• 「榜单看看就好，自己的 repo 才是真基准。我们拿内网项目一套测试跑下来，排序直接洗牌。」
• 「DeepSeek 这价格是真香，峰谷差一半这点太良心了，批量任务全排谷时段，一个月省出顿火锅。」
• 「Mistral 这波营销先扣分，说开源又没权重没 license，权重落地之前我一个 star 都不给。」
• 「有人被 Haiku 超 100K 五倍价背刺过吗？想拿它跑长上下文重构，看到计费规则犹豫了。」