2026 年 10 月模型趋势报告：能力、成本与选型边界
截至 2026 年 10 月 20 日的模型趋势快照：解读 48 张能力、价格、规模、速度与偏好图表，对照 8 月报告，说明评分更新与数据口径的边界。
- 整体趋势总结
- 与上一期相比
- 方法与局限
- 数据范围与读图方法
- 基准与综合能力：前沿上移，头部仍有明显差距
- 实验室与国家：中美主导供给，累计收录仍在补齐
- 开放模型：发布占比与能力前沿需要分开看
- 模型形态：多模态普及，MoE 集中于开放高分区
- 价格与价值
- 效率与规模
- 速度与上下文：容量上限和任务速度分别验收
- 人类偏好：能力有参考价值，价格解释力有限
数据来源：AI Trends (October 2026) — AI Trend Analysis, LLM Statistics & Industry Insights；抓取日期：2026-10-20；动态图表数量：48。
AI 模型的能力、价格、速度和使用偏好都在持续变化。单看某一张排行榜，很容易把评测分数、真实体验和成本效率混为一谈。这份报告先给出跨图整体判断及其依据，再说明方法和口径，随后按主题逐图展开。
本期是截至 2026 年 10 月 20 日的快照，10 月和第四季度均未结束。 仓库中上一期是 8 月报告，因此下文是 8 月至 10 月的跨期对照，不是 9 月至 10 月的月度环比。长期选型原则沉淀在 AI、LLM 与 Agent 维基。
整体趋势总结
1. 头部能力仍在提高，追赶差距随时间变化
判断依据： 本期综合分最高为 Claude Opus 5.5 的 60.3，Anthropic 的最佳编程指数为 49.7。领先差距图中，Opus 5.5 在 9 月首次登顶时领先 9.6 分，最近一次采样为 8.4 分，说明前沿提高与追赶同时发生。图 1–5 展示的是本期口径下的历史轨迹，不能据此直接计算相对 8 月报告的评分增幅。
2. 模型供给继续扩展，累计数量包含历史回补
判断依据： 累计收录从 8 月快照的 334 个增至 414 个；国家图排除 5 个国家信息缺失的模型后，美国和中国分别为 216、145 个。2 月、4 月、6 月和 7 月的历史数量也被上调，因此净增的 80 个不等于两期之间新发布的 80 个。数量变化需要结合图 6–9 的时间与覆盖范围理解。
3. 多模态成为常见能力，开放比例是另一条独立维度
判断依据： 截至抓取日，第四季度 12 个模型中有 11 个支持视觉或多模态，开放模型则为 5 个，分别约占 92% 和 42%。图 10 与图 13 的标签描述不同属性，不能相互替代；第四季度和 10 月都尚未结束，这些比例只是阶段快照。
4. 固定能力门槛的最低 API 价格下降，但价格比较必须统一口径
判断依据： 图 17 在当前评分口径下回溯得到：40+ 分模型最低混合价格由每百万 token 3.8 美元降至 0.08 美元。图 15 的中国价格中位数为 0.45 美元，低于 8 月标签的 0.48 美元。前者是历史门槛曲线，后者是两期样本中位数；都不能解释成同一批模型统一降价，更不能与使用不同输入输出混合比例的价格图直接拼接。
5. 参数和训练数据规模不足以单独解释模型能力
判断依据： 图 27 显示，当前样本达到 50+ 分的最小总参数量为 753B，达到 40+ 分为 27.8B；图 34–36 则显示相近规模仍有明显能力差异。图 30 的训练数据量与综合分拟合 R² 仅为 0.09。规模可用于筛选部署候选，但不能代替对任务能力、激活参数与运行成本的验证。
6. 长上下文、输出吞吐和能力需要分别验收
判断依据： 图 38 的最大上下文纪录仍为 200 万 token，与 8 月相同。图 39 中 Claude Opus 5.5 为 72 token/s、60.3 分，Mercury 2 为 1009 token/s、23.3 分，显示最高能力与最高吞吐分属不同模型。标称窗口不是长文利用质量，吞吐也不包含首 token 等待、推理和工具执行的全部耗时。
7. 偏好评测仍有独立价值，昂贵并不保证更受偏爱
判断依据： 图 45 的综合分与一般偏好 Pearson r 为 0.56，图 47 中价格与偏好的拟合 R² 仅为 4%；它们说明综合分可提供线索，API 单价却很难解释这组体验差异。图 48 的八个模型及分数又与 8 月完全一致，提醒我们逐图核对更新边界，再用自己的任务验证候选。
与上一期相比
对比基线：2026 年 8 月 AI/LLM 趋势图表解读；上一期抓取日期：2026-08-03。
两期均为 48 张图，原始标题与顺序全部相同，没有新增、删除或改名。不过，综合分方法页已在两次抓取之间更新，且来源会回补历史模型。本节区分页面快照变化、统计覆盖变化与尚未确认的评分可比性，不把累计收录差值当作本月发布量，也不计算同名综合分的跨期增幅。
1. 图表清单未变，但综合分不能据同名直接比较
对比证据： 8 月与本期的 48 个原始标题逐项一致。当前 LLM Stats Score 方法页 标注 v3.1、更新于 2026 年 9 月 2 日；8 月报告没有保留当时的方法版本或公式。
可比性说明： 无法确认两期综合分及其门槛使用同一版本，因此不计算最高分、40+ 门槛价格、每分成本、参数效率或相关系数的跨期增幅；本期图内的历史曲线是当前口径的回溯。
2. 累计收录由 334 增至 414，国家图的主要增量来自中美
对比证据： 总收录净增 80。国家图中美国 173→216、中国 121→145，分别增加 43 和 24；法国 32→34、加拿大 3→5、韩国 1→4，另新增日本 1 个。当前 414 个收录中有 5 个缺少国家字段，因此国家图合计为 409。
可比性说明： 这是同一来源累计标签的快照差值，可能包含补录或分类修订；已核查公开代码，国家图会过滤国家字段缺失的记录，不能将 409 的国家构成直接当作全部 414 个模型的构成。
3. 历史月份被回补，净增收录不等于最近三个月的新发布
对比证据： 2026 年 2 月由 16 改为 19，4 月由 18 改为 21，6 月由 13 改为 15，7 月由 12 改为 16。本期 8、9、10 月分别显示 28、22、12 个，10 月尚未结束。
可比性说明： 同一月份可以直接核对来源显示值是否修订，但修订不代表那些模型在两次抓取之间才发布；本期月度数应按本期收录范围理解，不能从两期总数相减还原月度新增。
4. 最新显示季度由第三季度切换到第四季度
对比证据： 8 月报告的第三季度当时仅覆盖 7 月，开放 3/12（25%）；本期完整第三季度为 30/66（45%）。最新第四季度截至抓取时开放 5/12（42%），多模态 11/12（92%）。
可比性说明： 第三季度从部分收录补齐为完整季度，且历史月份会回补，因此 25%→45% 不能称为同周期增长；第四季度仍未结束，42% 和 92% 也不是最终季度结构。
5. 中国价格中位数标签下降到每百万 token 0.45 美元
对比证据： Price by Country 图卡在 8 月写明中国最低中位数为 0.48 美元，本期为 0.45 美元。
可比性说明： 可确认同名图的价格中位数标签下降；样本组成、供应商选择和价格混合规则可能变化，不能解释为同一批模型普遍降价，也不将其等同于单位任务成本下降。
6. 上下文纪录保持 200 万 token，大训练数据样本增加
对比证据： 两期 The Context Race 都将 Grok-4 Fast Reasoning 的 2.0M token 列为当前纪录；The Training Data Race 中使用 1T+ 训练 token 的模型由 66 个变为 73 个。
可比性说明： 这些字段不直接依赖综合分，可作来源披露值的快照比较；新增样本可能来自公开信息补齐，不代表训练刚刚完成，最大窗口也不能证明有效长上下文质量保持不变。
7. 人类偏好图的八个可见排名与分数未变
对比证据： 两期 Human Preference Map 都列出 GPT-5.6 Sol 29.5、Claude Fable 5 27.2、GPT-5.5 24.5，后五个模型及分数也逐项一致；本期其他能力图已显示 Claude Opus 5.5。
可比性说明： 只能确认这张图没有显示新的快照变化，不能据页面月份推定每张图都同步更新，也不能据此认定现实中的用户偏好两个月没有变化。
方法与局限
- 时间快照：图表采集与交互数值核对在 2026 年 10 月 20 日完成。10 月和第四季度均未结束，源站各图也未必同步更新；本报告不把页面月份视为每个数据点的更新时间。
- 评分方法：当前 LLM Stats Score 方法说明 标注 v3.1，更新于 9 月 2 日。它汇总各基准内的相对表现，并考虑证据的不确定性；缺失评测不被当成失败。公开说明未包含完整实现参数，本文无法独立复算综合指数，也无法确认 8 月报告与本期采用同一版本。
- 价格口径：多张图按输入与输出 5∶1 混合报价，图 22–24 则采用 1∶1，另有图优先采用数据源提供的混合价格。同一模型在不同图中的美元数值可能因此不同。所有单价都不能直接替代一次成功任务的总费用。
- 样本与标签：不同图表对国家、参数、价格、架构和评分字段有不同完整性要求。本文保留源图，并在对应解读中说明已核实的百分号误标、单位倍率差异和颜色分类失效，不根据有问题的标签推导结论。
- 相关不等于因果：散点图或时间趋势只能说明变量共同变化，不能单独证明某个因素导致另一个结果。
- 来源边界：图表版权与原始数据解释权归来源网站；引用时应保留来源链接和抓取日期。
数据范围与读图方法
本次分析覆盖来源页面在抓取时稳定呈现的 48 张图表、8 个主题分组，两次扫描得到相同的图表顺序和标题。明确数字来自图卡、坐标、图例及交互悬浮提示；涉及统计筛选或标签错误时，另核对来源页面公开加载的数据和绘图逻辑。悬浮点只用于核对文中代表性数值，不声称覆盖源站全部记录；仅凭图形走势得到的判断标记为视觉推断。
为完整保留坐标、图例和脚注，站内图片以来源的原始 SVG 绘图区渲染，并补齐原站图卡文字。此步骤修复响应式页面截图中的裁切，没有改动原图的数据点、曲线或坐标尺度。每张图下的“证据依据”可展开查看。
不同评测、价格口径、参数规模和吞吐量的采集条件并不完全一致，因此跨图比较适合发现候选趋势，不应被理解为严格受控实验。
读图术语
- 综合能力分（LLM Stats Score；LLM = Large Language Model）：来源对多项评测中的相对表现与证据不确定性进行汇总的分数，不是正确率，也不是单项测试的百分制成绩。当前方法页标注 v3.1。
- 编程指数（Coding Index）：来源用编程评测子集形成的能力视图；与整体综合分分别观察，缺失评测不代表模型能力为零。
- AIME（American Invitational Mathematics Examination，美国数学邀请赛）：数学解题评测所采用的试题来源；图中的 AIME 2025 与其他年份或任务不能默认同难度。
- MMMU（Massive Multi-discipline Multimodal Understanding and Reasoning，多学科多模态理解与推理）：考察跨学科图文理解与推理的评测。MMMU 与 MMMU Pro 是不同评测视图，分数不能混用。
- MoE（Mixture of Experts，混合专家）：通过路由选择部分专家参与计算的架构；总参数量与每次推理激活的参数量不同，不能直接用总参数估算计算成本。
- 开放权重（Open Weights）：公开可获取的模型权重，不必然同时公开训练数据、训练代码或提供无限制许可。来源图例中的 Open Source 在本文按其模型分类理解。
- 混合 API 单价（Blended API Price；Application Programming Interface）：把输入与输出单价按某种权重组合后的每百万 token 价格。图表未必采用相同权重、服务商或时间点，必须逐图核对。
- Arena 偏好评分（Arena Rating）：由模型对比选择等偏好数据形成的相对分数。原始 rating、标准化分和$\mu-3\sigma$保守分属于不同尺度；默认图卡也不一定使用同一投票池。
- 帕累托前沿（Pareto Frontier）：在图中给定的两个维度与样本内，没有另一个点同时更好的候选集合。前沿会随任务指标、样本和服务条件改变。
- 相关统计（Pearson Correlation Coefficient, r；Coefficient of Determination, R²）：r 描述线性关系的方向与强度，R² 描述给定回归解释的方差比例。二者不是准确率，也不能单独支持因果结论。
基准与综合能力：前沿上移，头部仍有明显差距
本组结论： 本期综合分与编程指数均由 Anthropic 领先，前沿竞争同时覆盖多家实验室；若干基准已进入高分区，但不同任务的饱和程度和头部追赶节奏并不一致。
图 01｜基准测试的饱和程度
原始标题：Benchmark Saturation
怎么看： 横轴是时间，纵轴是各基准的历史最高分；每次阶梯上升代表纪录刷新，85% 虚线是来源设置的饱和参考线。
图表显示： 部分基准的最好成绩已越过 85% 参考线，但不同任务到达高分区的时间不同；读图应同时关注尚未饱和的任务，以及旧任务还有多少区分度。
关键模型 / 数据点：
- 85%：来源图设定的饱和参考线。
- 2025 年 6 月提示值：SimpleQA 93.4%、AIME 2025 93.3%、MMMLU 88.8%。
- 同一历史位置：BrowseComp 51.5%、Terminal Bench 39.2%、OSWorld 8.8%。
解读边界： 图中展示的是各基准的历史最高值，不能代表全部模型；不同任务的分数不可直接作为难度的统一尺度。
证据依据
- 直接证据：图中标出 Saturation (85%) 参考线。
- 视觉推断：多条历史最好成绩曲线进入参考线以上区域，另有曲线仍明显低于参考线。
- 直接证据：本图悬浮提示 列出 2025 年 6 月各基准分数。
图 02｜头部综合分差距
原始标题：The Convergence
怎么看： 蓝线与紫线分别跟踪 LLM Stats Score 第 1 名和第 10 名；两线垂直距离表示头部差距。
图表显示： 前沿与第 10 名均持续上升，但领先模型发布时差距会重新拉开。Claude Opus 5.5 在 9 月首次登顶的采样点领先 9.6 分，图卡最近采样点为 8.4 分，体现后续模型追赶。
关键模型 / 数据点：
- Claude Opus 5.5：综合分 60.3，2026 年 9 月首次登顶采样点领先第 10 名 9.6 分。
- GPT-6 Astra：综合分 58.1，2026 年 9 月登顶采样点领先 7.8 分。
- 当前图卡：Claude Opus 5.5 与第 10 名 Muse Spark 1.3 相差 8.4 分。
解读边界： 源站每 14 天取一次排名快照：圆点对应榜首首次更替时点，Current gap 对应最后一个采样点，9.6 与 8.4 并非同一时点冲突；也不代表抓取当日逐日实时排名。
证据依据
- 直接证据：本图 悬浮提示 给出 Claude Opus 5.5 与 GPT-6 Astra 的综合分、日期和历史差距。
- 直接证据：图卡标注最新采样差距 8.4；公开前端代码以每 14 天快照计算，圆点只在榜首模型更替时产生。
图 03｜实验室过去一年的综合进展
原始标题：Lab Progress
怎么看： 左栏是 LLM Stats Score，右栏是 Coding Index；灰色表示 12 个月前的起点，彩色表示本期口径下的增量，各栏按当前成绩排序。
图表显示： Anthropic 在两项指数均居首，OpenAI 随后；综合分榜与编程榜的后续组织次序不同，说明通用能力与编程能力需要分别看。
关键模型 / 数据点：
- Anthropic：综合分 38.0→60.3，Coding Index 27.9→49.7。
- OpenAI：综合分 29.3→58.1，Coding Index 21.5→46.2。
- Alibaba Cloud / Qwen Team：综合分 21.5→50.8，图内标注增加 29.3 分。
- Google：综合分 55.0；Google 与 Meta 的 Coding Index 均为 42.4。
解读边界： 每家组织只取最好成绩，不代表平均模型质量或投入产出；图内回溯增量也不等于与上期报告的同版分数差。
证据依据
- 直接证据：SVG 在两栏逐项标出组织名称与当前指数。
- 视觉推断：两栏组织的排序并不完全一致。
- 直接证据：本图 悬浮提示 分别给出两项指数的 12mo ago、Current 和 Gain；这里的变化均为本期图内回溯。
图 04｜组织级综合分前沿
原始标题：Organization Progress
怎么看： 横轴为时间，纵轴为 LLM Stats Score；每条阶梯记录一家组织迄今最好的模型成绩。来源选择的是发布数量最多的 10 个组织。
图表显示： 多家组织在 2026 年进入更高综合分区间，但发布数量前十并不等于能力前十；这张图更适合观察不同组织刷新纪录的节奏。
关键模型 / 数据点：
- 10 个组织：按来源的模型发布数量筛选。
- 2025 年 4 月悬浮位置显示：OpenAI 30.8、xAI 30.1、Anthropic 23.7。
- 同一悬浮位置：Qwen 团队 20.8、Google 16.5、DeepSeek 15.3。
解读边界： 本图按发布量选组织，与 Lab Progress 的能力榜范围不同；悬浮值分别取各曲线邻近记录，日期标题不保证所有数值来自完全相同的一天。
证据依据
- 直接证据：图下注明 Showing top 10 organizations by model count。
- 视觉推断：多条组织曲线在 2026 年进入 40 分以上区域。
- 直接证据：严格限定本图的 悬浮提示 返回各组织历史综合分。
实验室与国家：中美主导供给，累计收录仍在补齐
本组结论： 页面总收录为 414 个，国家图排除 5 个国家字段缺失的模型后统计 409 个，其中美国 216 个、中国 145 个。中美仍是主要发布来源；历史月份会继续回补，累计收录变化需要与实际发布日期分开看。
图 05｜中美前沿综合分
原始标题：US vs China Gap
怎么看： 横轴为时间，纵轴为 LLM Stats Score；蓝线与粉线分别表示美国和中国模型的历史最佳值。
图表显示： 美国在图末仍领先，中国曾在中段接近或短暂越过美国前沿；随后美国再度拉开距离。两条曲线都在上升，但前沿差距并非单向缩小。
关键模型 / 数据点：
- 2025 年 1 月悬浮位置显示：美国 24.7，中国 15.3。
- 本图纵轴为 LLM Stats Score，比较两国各自最好模型。
解读边界： 本次未取得最新端点的精确提示值，当前领先方向来自图形；悬浮日期配合各曲线邻近记录，不宜据此计算精确日级追赶间隔。
证据依据
- 直接证据：本图 2025 年 1 月悬浮提示给出美国 24.7、中国 15.3。
- 视觉推断：完整图中美国末端高于中国，中段存在接近与交叉。
图 06｜各国累计模型收录
原始标题：Cumulative AI Model Releases
怎么看： 横向条形表示来源收录的各国模型累计发布数量，条形越长表示可见分组中的模型越多。
图表显示： 美国与中国合计 361 个，占国家图可见 409 个模型的约 88%。法国以 34 个居后，其他可见国家规模明显更小。
关键模型 / 数据点：
- 美国：216 个；中国：145 个。
- 法国：34 个；加拿大：5 个；韩国：4 个。
- 以色列、印度各 2 个，日本 1 个；国家标签合计 409 个。
解读边界： 国家图排除缺少 organization_country 的记录；本次公开数据中恰有 5 个此类模型，所以国家合计为 409，而热力图为 414。该分类按来源的组织归属，不能由模型名字自行补国籍。
证据依据
- 直接证据：SVG 与本图 悬浮提示 给出各国计数，标签合计 409。
- 直接证据：公开前端代码对国家字段为空的记录直接跳过；对同一 canonical API 快照按图表规则复算，热力图 414 个中有 5 个缺少国家字段。
图 07｜月度模型发布热力图
原始标题：The Release Heatmap
怎么看： 行表示年份，列表示月份；格子数字是当月收录的发布量，颜色越深表示数量越大。
图表显示： 2026 年 8 月以 28 个构成近期发布高点，9 月为 22 个，10 月截至抓取时为 12 个。历史月份会继续补录，累计收录变化不能全算作本月新发布。
关键模型 / 数据点：
- 来源总量：自 2023 年以来 414 个。
- 2026 年 7、8、9 月：16、28、22 个。
- 2026 年 10 月截至 10 月 20 日：12 个；2025 年 12 月为 30 个。
解读边界： 10 月与 2026 全年尚未结束；空白未来月份不代表零发布，历史数值也可能随来源补录而变化。
证据依据
- 直接证据：图卡标注 414 models released since 2023，热力格列出逐月数量。
- 直接证据：本图严格 悬浮提示 核对了 2026 年 7–9 月的 16、28、22 个；10 月 12 来自 SVG 明确标注。
图 08｜国家发布份额的演化
原始标题：Model Releases by Country
怎么看： 堆叠面积显示各国在累计收录模型中的份额；每一时点合计为 100%，面积宽度不表示当月发布量。
图表显示： 美国从早期几乎独占逐渐变为约一半，中国成为稳定的第二大来源。累计份额同时受早期收录基数和后续补录影响。
关键模型 / 数据点：
- 2023 年 4 月提示值：美国 100%。
- 2025 年 1 月悬浮位置：美国 63%、中国 23%、法国 10%。
- 同一悬浮位置：以色列 3%、加拿大 1%，其余显示为 0%。
解读边界： 累计份额不能代替当月发布份额；国家范围、未知归属与补录会影响分母，不与相邻总量图擅自拼接。
证据依据
- 直接证据：图题说明 Share of total model releases by country of origin。
- 视觉推断：后期美国区域约占一半，中国区域明显扩大。
- 直接证据：本图 悬浮提示 列出两个历史位置的各国累计份额。
图 09｜主要实验室的累计发布轨迹
原始标题：Cumulative Releases by Lab
怎么看： 横轴为时间，五条线分别统计 Qwen、OpenAI、Google、Mistral 和 DeepSeek 的累计模型发布数量。源站纵轴误附百分号，底层数值仍是个数。
图表显示： 按该图公开代码和同一数据快照复算，Qwen 58 个、OpenAI 57 个，发布数量接近；Google、Mistral 与 DeepSeek 依次为 43、34、29 个。数量排序不能解释为能力排序。
关键模型 / 数据点：
- 按同图规则复算当前累计数：Qwen 58，OpenAI 57。
- Google 43，Mistral 34，DeepSeek 29。
- 图内 2025 年 1 月悬浮位置：Qwen 12、OpenAI 11、Google 8、Mistral 8、DeepSeek 5。
解读边界： 公开绘图代码逐模型累加计数，却沿用了通用折线图的百分比轴格式，属于显示单位错误；没有除以总量，不应将 58 读成 58% 的市场份额。
证据依据
- 直接证据：公开代码 CumulativeModelsPerLab 对每家组织执行 value: ++n，随后未指定 yFormat；通用 renderLineChart 默认把纵轴值附加百分号。
- 直接证据：对来源相同 canonical API 按组织及有效发布日期筛选并复算，前五为 58、57、43、34、29。
- 直接证据：本图 悬浮提示 提供历史计数，不含百分比。
开放模型：发布占比与能力前沿需要分开看
本组结论： 完整第三季度开放模型占 45%，第四季度目前占 42%；综合分图中闭源在末端仍领先。发布数量与能力前沿是两个维度，开放模型持续进步也不意味着前沿差距单调缩小。
图 10｜开放与专有模型的发布占比
原始标题：Open vs Proprietary Releases
怎么看： 每个时点代表一个季度。上方绿色面积是开放模型，下方灰色面积是专有模型；两类合计 100%，边界线的纵坐标对应下方区域的份额。
图表显示： 本期完整第三季度共有 66 次发布，开放模型 30 个、占 45%；第四季度截至抓取时共有 12 次，开放 5 个、占 42%。目前两季均由专有模型略占多数，但第四季度样本尚小。
关键模型 / 数据点：
- 2026 年第二季度：45 次发布，开放 24 个（53%）、专有 21 个（47%）。
- 第三季度：66 次发布，开放 30 个（45%）、专有 36 个（55%）。
- 第四季度截至抓取时：12 次发布，开放 5 个（42%）、专有 7 个（58%）。
解读边界： 当前第四季度只覆盖截至 10 月 20 日的收录；Open Source 沿用来源分类，不保证每个模型都满足完整开源定义。
证据依据
- 直接证据：本图严格 悬浮提示 给出 2026 年各季度总数、分类数量与比例。
- 直接证据：图末上方绿色区域标注开放 42%，下方灰色区域标注专有 58%。
图 11｜开放权重与闭源的综合分前沿
原始标题：The Closing Gap
怎么看： 紫色与绿色阶梯分别记录闭源和开放权重模型的历史最高 LLM Stats Score；两线间距表示前沿差距。
图表显示： 开放权重曲线持续向上，但图末闭源再次抬升，开放曲线暂时持平。追赶过程包含阶段性接近和重新拉开，不能把图名理解为差距始终缩小。
关键模型 / 数据点：
- 2025 年 2 月悬浮位置显示：闭源 24.7、开放权重 21.8。
- 末端闭源仍高于开放权重；本次未取得最新端点的精确提示值。
解读边界： 比较的是两类最好模型，不能代表均值；历史悬浮值分别取曲线邻近记录，不构成精确日级差距，本期综合分也不能直接与 8 月快照求增长率。
证据依据
- 直接证据：图例区分 Closed Source 和 Open Source。
- 视觉推断：末端闭源阶梯继续上升，开放权重阶梯维持平台，垂直间距扩大。
- 直接证据：本图严格 悬浮提示 在 2025 年 2 月悬浮位置显示闭源 24.7、开放 21.8。
图 12｜中美开放权重与闭源的四条前沿
原始标题：Open Weights Race: US vs China
怎么看： 四条曲线分别表示美国开放、美国闭源、中国开放和中国闭源模型的综合分前沿，横轴为时间。
图表显示： 图末美国闭源最高，中国开放高于中国闭源与美国开放。国家归属与开放方式共同影响分布，仅用“中美”或“开放闭源”单一维度都会省略差异。
关键模型 / 数据点：
- 2025 年 4 月悬浮位置：美国闭源 30.1，中国开放 21.8。
- 同一悬浮位置：美国开放 18.9，中国闭源 16.9。
解读边界： 模型归属采用来源定义；平滑线不代表两次发布间能力持续改善，悬浮日期也可能配合各曲线的邻近记录，不能用来计算精确日级差距。
证据依据
- 直接证据：图例列出四类国家与开放状态组合。
- 视觉推断：末端美国闭源处于最高位置，中国开放位于另外两类之上。
- 直接证据：本图严格 悬浮提示 在 2025 年 4 月悬浮位置列出四条轨迹的数值。
模型形态：多模态普及，MoE 集中于开放高分区
本组结论： 第四季度目前 12 个模型中有 11 个支持视觉或多模态；开放权重样本的高分区则以 MoE 为主。这分别描述功能覆盖与架构分布，不能据此证明某种架构或标签单独带来了分数提升。
图 13｜新模型的多模态覆盖
原始标题：The Multimodal Shift
怎么看： 横轴按季度排列，上方紫色面积表示多模态，下方灰色表示纯文本；边界线越低表示多模态面积越大。
图表显示： 2026 年第三季度的多模态模型为 46/66，约占 70%；第四季度目前为 11/12，约占 92%。近期新模型普遍支持视觉或多模态，但更高占比不等于相关任务质量同步提高。
关键模型 / 数据点：
- 2025 年第四季度：多模态 36/46，78%。
- 2026 年第三季度：多模态 46/66，70%。
- 2026 年第四季度截至抓取时：多模态 11/12，92%；纯文本 1/12，8%。
解读边界： 第四季度只覆盖截至抓取日期的发布；多模态标签可能只表示支持某类输入，不等于各种图像、音频和视频能力都已具备。
证据依据
- 直接证据：本图严格 悬浮提示 提供季度总模型数、多模态数量及占比。
- 直接证据：图末紫色区域标注 92%，对应多模态，上方面积越大则其占比越高。
图 14｜开放模型中的 MoE 采用
原始标题：MoE Adoption Over Time
怎么看： 横轴为发布日期，纵轴为 LLM Stats Score；蓝点为 MoE，灰点为非 MoE。样本限于有综合分的开放权重 canonical 模型。
图表显示： 高分区的可见点主要为 MoE，但同为 MoE 的模型也横跨很宽的分数范围。架构标签与高分同时出现，不能单独证明 MoE 导致能力优势。
关键模型 / 数据点：
- Kimi K3：2026-07-16 发布，综合分 51.8。
- Qwen3.8 Max：2026-08-02 发布，50.8；GLM-5.3：08-14 发布，50.8。
- DeepSeek-V4.1-Flash：2026-09-10 发布，49.8。
- DeepSeek-V4.1-Flash-1017：2026-10-17 发布，51.0。
解读边界： 这不是全体模型的架构普查；缺少评分或架构标签的模型可能被排除，总参数量与单次激活计算量也需另行区分。
证据依据
- 直接证据：图下注明开放权重 canonical 模型及 MoE/non-MoE 分类。
- 视觉推断：可见高分区以蓝色 MoE 点为主，同类点仍存在明显纵向分散。
- 直接证据：本图严格 悬浮提示 给出上述模型名称、发布日期和综合分。
价格与价值
本组结论： 固定能力门槛的最低 API 价格继续沿历史曲线下降，但模型之间的价格效率差异仍大。综合能力、编程与人类偏好给出不同前沿；选型应先确定目标与价格口径，再比较候选，不能只看最高分或最低报价。
图 15｜各国模型 API 价格分布
原始标题：Price by Country
怎么看： 横轴按模型所属组织的国家分组，纵轴是每百万 token 的价格，采用对数刻度；每个点代表模型，横线表示组内中位数。
图表显示： 中国样本的价格中位数最低，美国样本的定价跨度更宽。这个差异说明当前可购买模型的组合不同，并不能推出同等能力模型的国别溢价。
关键模型 / 数据点：
- 中国：价格中位数为每百万 token 0.45 美元。
- DeepSeek-V4-Flash-0731：每百万 token 0.08 美元，综合分 43.0。
- Kimi K3：每百万 token 4.8 美元，综合分 51.8。
- Claude Sonnet 5.5：每百万 token 3.3 美元，综合分 58.3。
解读边界： 图中只纳入价格、综合分与国家信息齐全的模型，并要求每国至少 3 个样本；价格不是部署成本，也未控制能力和发布日期。
证据依据
- 直接证据：图卡标注 Lowest median price: China at $0.45/M tokens。
- 视觉推断：美国点云覆盖的价格范围宽于中国与法国，三个国家的样本数量明显不均衡。
- 直接证据：从本图的悬浮提示核对上述模型、时点及数值。
图 16｜达到不同能力门槛的单位得分价格
原始标题：The Price of Intelligence
怎么看： 横轴是模型发布日期，纵轴是混合 API 价格除以 LLM Stats Score，使用对数刻度；阶梯线分别跟踪达到 30、40、50 分门槛的历史最低比值。
图表显示： 本期口径回溯的各条能力门槛曲线都向下移动，40 分门槛的单位得分价格已降至约 0.002 美元。50 分门槛仍有更高价格，但也出现明显下降。
关键模型 / 数据点：
- 40+ 分门槛：最低单位得分价格由约 0.09 降至 0.002 美元，图卡标注下降 98%。
- DeepSeek-V4-Flash-0731：综合分 43.0，单位得分价格 0.002 美元。
- DeepSeek-V4.1-Flash-1017：综合分 51.0，单位得分价格 0.009 美元。
解读边界： 这是按本期评分重建的历史最低值，不能作为 8 月至 10 月的降价幅度；价格按输入与输出 5∶1 混合，不代表完成一次任务的总费用。
证据依据
- 直接证据：图卡标注 40+ tier: 98% cheaper — $0.09 → $0.002 per LLM Stats Score point。
- 视觉推断：30、40、50 分门槛的最低比值阶梯线均下降。
- 直接证据：从本图的悬浮提示核对上述模型、时点及数值。
图 17｜40 分以上模型的最低 API 价格
原始标题：Cheapest 40+ LLM Stats Score Model
怎么看： 横轴为发布日期，纵轴为每百万 token 的混合 API 价格，采用对数刻度；灰点是达到 40 分的模型，绿色阶梯线连接历次最低价。
图表显示： 达到 40 分这一固定门槛的最低标价显著下降，低价前沿先后由不同模型刷新。门槛成本下降并不意味着全部高能力模型都进入相同价位。
关键模型 / 数据点：
- GPT-5.2：综合分 41.1，每百万 token 3.8 美元。
- Kimi K2.6：综合分 43.4，每百万 token 1.2 美元。
- DeepSeek-V4-Flash-0731：综合分 43.0，每百万 token 0.08 美元；图卡标注较起点下降约 98%。
解读边界： 40 分是当前 LLM Stats Score 的门槛，并非答题正确率或固定不变的“前沿能力”；历史曲线不是跨报告月度环比。
证据依据
- 直接证据：图卡标注 98% cheaper: $3.8 → $0.08 per 1M tokens。
- 直接证据：阶梯线依次标出 GPT-5.2、Kimi K2.6、MiniMax M3、Hy3 和 DeepSeek-V4-Flas… 等模型。
- 直接证据：从本图的悬浮提示核对上述模型、时点及数值。
图 18｜编程能力上限与季度平均价格
原始标题：Capability vs Price
怎么看： 横轴按季度排列；灰柱对应左轴的模型平均价格，绿线对应右轴的 Coding Index 历史最佳值。两组数据使用不同刻度，需分别读取。
图表显示： 编程能力上限持续抬升，而季度平均价格上下波动，二者没有同步上涨。2026 年第三季度到第四季度的可见部分，最佳编程指数持平而平均价格回落。
关键模型 / 数据点：
- 2026 年第二季度：Claude Fable 5 将最佳 Coding Index 推至 42.7，当季均价为每百万 token 5.1 美元。
- 2026 年第三季度：Claude Opus 5.5 的最佳 Coding Index 为 49.7，当季均价 4.3 美元。
- 2026 年第四季度截至抓取日：最佳 Coding Index 仍为 49.7，当季均价为 2.6 美元。
解读边界： 第四季度截至 10 月 20 日，样本尚不完整；季度均价受当季模型组合影响，不能解释成同一批模型统一降价。
证据依据
- 视觉推断：绿线总体上升，并在 2026 年第三、第四季度形成平台；柱高未同步单调上升。
- 直接证据：从本图的悬浮提示核对上述模型、时点及数值。
图 19｜综合能力与 API 价格的分散关系
原始标题：Performance vs Price
怎么看： 横轴为混合 API 价格，采用对数刻度；纵轴为 LLM Stats Score，颜色区分主要组织，虚线展示样本整体趋势。左上方模型在这两个维度上更有吸引力。
图表显示： 价格较高的模型整体倾向于获得更高分，但同价位的能力差异很大。低价区域也有高分模型，选择时应比较具体候选的能力与报价。
关键模型 / 数据点：
- Claude Haiku 5.5：每百万 token 0.17 美元，综合分 49.8。
- DeepSeek-V4.1-Flash-1017：每百万 token 0.45 美元，综合分 51.0。
- Claude Opus 5.5：每百万 token 6.7 美元，综合分 60.3。
解读边界： 本图截去价格最高约 5% 的样本；混合价格按输入与输出 5∶1 计算，不能直接套用图 22 的价格坐标，更不能据相关性断言涨价带来能力提升。
证据依据
- 视觉推断：虚线向右上方倾斜，但同一价格带的分数分布跨度明显。
- 直接证据：本期页面绘图逻辑以价格第 95 百分位作为显示上限。
- 直接证据：从本图的悬浮提示核对上述模型、时点及数值。
图 20｜不同参数档位的归一化能力价格
原始标题：Cost Efficiency by Tier
怎么看： 横轴按总参数量分为四档，纵轴是价格与能力的比值并采用对数刻度；图例尝试区分开放与专有模型，数值越低表示该口径下越划算。
图表显示： 总参数量更大的模型并不必然有更好的价格效率；各档内部都有明显差异。来源将 DeepSeek-V4-Flash-0731 标为最佳值，但这张图的单位与图 16 并不一致。
关键模型 / 数据点：
- DeepSeek-V4-Flash-0731：综合分 43.0，图示归一化能力价格为 0.19 美元。
- Gemma 4 31B：综合分 33.0，图示归一化能力价格为 0.40 美元。
- Kimi K3：综合分 51.8，图示归一化能力价格为 9.2 美元。
解读边界： 本图实际计算为价格 ÷ Score × 100，标题却称“每得分点价格”，比图 16 的定义多 100 倍；所有点又均显示灰色，因此只比较图示比值，不据颜色判断开放与专有模型。
证据依据
- 直接证据：图卡标注 Best value: DeepSeek-V4-Flash-0731 at $0.19/quality point。
- 直接证据：本期绘图实现为 costPerPoint:a/r*100，图 16 则直接以混合价格除以 Score。
- 视觉推断：同一参数档位中散点跨越多个价格效率水平。
- 直接证据：从本图的悬浮提示核对上述模型、时点及数值。
- 直接证据：本期 API 未提供 open_source 字段，绘图却以 open_source===true 区分开放模型，导致散点全灰。
图 21｜按发布季度观察模型价格效率
原始标题：Value Evolution
怎么看： 横轴是发布季度，纵轴是 LLM Stats Score 除以每百万 token 价格，单位为分/（美元/百万 token），采用对数刻度；散点是模型，横线是当季中位数，越高表示该比值越好。
图表显示： 本期回溯显示，新模型的能力价格比中位数较最早季度明显提高，但中间季度有反复，最新模型内部也相差很大。整体进步不等于每个新发布模型都更划算。
关键模型 / 数据点：
- 图卡标注：相较 2024 年第二季度，最新季度的能力价格比中位数提高 35 倍。
- Claude Haiku 5.5：能力价格比 298.8，综合分 49.8，图示价格 0.17 美元/百万 token。
- DeepSeek-V4.1-Flash-1017：能力价格比 113.4，综合分 51.0，图示价格 0.45 美元/百万 token。
解读边界： 35 倍是当前评分与价格口径下的历史季度比较，不是本月增幅；2026 年第四季度尚未结束，且该图优先采用数据源的 blended_price 字段。
证据依据
- 直接证据：图卡标注 Median value per dollar improved 35x since Q2 2024。
- 视觉推断：各季中位数并非单调上升，同一季度的散点覆盖宽广范围。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 22｜综合能力与价格的帕累托前沿
原始标题：LLM Stats Score vs Price ($/1M tokens)
怎么看： 横轴为线性刻度的每百万 token 价格（输入、输出按 1∶1 混合），纵轴为 LLM Stats Score；蓝线连接无法同时被更低价格与更高得分超越的模型。
图表显示： 大部分模型集中在低价端，少数模型构成能力与价格的最优取舍边界。靠近最强能力上限时，继续提高得分需要接受明显更高的标价。
关键模型 / 数据点：
- DeepSeek-V4.1-Flash-1017：每百万 token 0.75 美元，综合分 51.0。
- Claude Sonnet 5.5：每百万 token 6 美元，综合分 58.3。
- Claude Opus 5.5：每百万 token 12 美元，综合分 60.3。
解读边界： 这条前沿只评价综合分与本图价格，未考虑速度、上下文和工具使用；价格按输入与输出 1∶1 混合，与图 19 的 5∶1 不同。
证据依据
- 视觉推断：蓝色前沿在低价端较陡，进入高分区后逐渐平缓；大量高价点位于前沿之下。
- 直接证据：本期前沿图价格实现为 (input_price + output_price) / 2。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 23｜编程能力与价格的帕累托前沿
原始标题：Coding Index vs Price ($/1M tokens)
怎么看： 横轴为输入、输出按 1∶1 混合的线性价格，纵轴为 Coding Index，蓝线表示价格与编程指数的帕累托前沿。向左上移动意味着更低价格与更高编程指数。
图表显示： 编程任务也存在明显的价格效率边界，最高报价并不自动带来最强编程能力。达到较高指数后，继续逼近最强模型的边际价格变大。
关键模型 / 数据点：
- DeepSeek-V4.1-Flash：每百万 token 0.44 美元，Coding Index 40.3。
- Claude Sonnet 5.5：每百万 token 6 美元，Coding Index 47.5。
- Claude Opus 5.5：每百万 token 12 美元，Coding Index 49.7。
解读边界： Coding Index 是综合指数而非测试通过率；前沿仅针对当前样本和价格，实际开发任务仍需检验成功率、输出长度和重试次数。
证据依据
- 视觉推断：多个高价模型落在前沿下方；前沿在较高指数处趋于平缓。
- 直接证据：本期前沿图价格实现为 (input_price + output_price) / 2。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 24｜人类偏好评分与价格的帕累托前沿
原始标题：Arena Rating vs Price ($/1M tokens)
怎么看： 横轴为输入、输出按 1∶1 混合的线性 API 价格，纵轴为 Arena Rating；蓝线连接价格与人类偏好评分的非劣模型，颜色按组织分组。
图表显示： 人类偏好评分与高价并不一一对应，低价端也存在突出模型。该前沿的形状与综合分、编程指数不同，说明“最值得买”取决于评价目标。
关键模型 / 数据点：
- DeepSeek-V4-Flash-0731：每百万 token 0.12 美元，Arena Rating 2407。
- Claude Opus 5：每百万 token 15 美元，Arena Rating 2668。
- Claude Fable 5：每百万 token 30 美元，Arena Rating 1974。
解读边界： Arena Rating 是来源汇总的人类偏好指标，不是百分比；不能把数值直接当作任意 Arena 榜单同一时期、同一赛道的原始 Elo 分。
证据依据
- 视觉推断：图中低价高评分点与高价领先点共同构成前沿，大量更昂贵模型位于其下方。
- 直接证据：本期前沿图价格实现为 (input_price + output_price) / 2。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
效率与规模
本组结论： 达到既定能力所需的最小总参数量在缩小，MoE 在有架构与报价的样本中占据较强的价格能力前沿。但参数与训练 token 都不是能力的充分解释，训练数据规模与得分的拟合关系尤其弱；规模指标不能替代具体能力和运行成本评估。
图 25｜MoE 与稠密模型的能力价格分布
原始标题：Performance vs Price, Colored by MoE
怎么看： 横轴为按输入与输出 5∶1 混合的 API 价格，使用对数刻度；纵轴为 LLM Stats Score，蓝点是 MoE，灰点是稠密模型。
图表显示： 本图可见样本中，MoE 覆盖更多高分、低价组合，稠密模型则分布在较低分区域。但两种架构的样本数量不均衡，不能把全部差异归因于架构。
关键模型 / 数据点：
- DeepSeek-V4.1-Flash-1017（MoE）：每百万 token 0.45 美元，综合分 51.0。
- Qwen3.8 Flash（MoE）：每百万 token 0.20 美元，综合分 48.0。
- Qwen3.8-27B（稠密）：每百万 token 0.83 美元，综合分 44.4。
解读边界： 纵轴错误添加了百分号，正文按综合分解读；本图剔除价格最高约 5% 的样本，且只保留具有架构与定价信息的模型。
证据依据
- 直接证据：SVG 纵轴显示 0%–50%，轴名却是 LLM Stats Score；图例为 MoE 与 Dense。
- 视觉推断：高分区域主要由蓝色 MoE 点组成。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 26｜达到能力门槛的最低混合价格
原始标题：Minimum Cost to Reach Capability
怎么看： 横轴是 LLM Stats Score 门槛，纵轴是达到门槛的最低 API 价格；蓝色与灰色分别是 MoE 和稠密模型，越低越好。
图表显示： 在这组有架构与报价的模型中，MoE 达到多个能力门槛的最低报价更低。稠密曲线到 40 分结束，应理解为当前筛选样本缺少更高门槛的合格点。
关键模型 / 数据点：
- 40+ 分门槛：MoE 最低为 DeepSeek-V4-Flash-0731，0.08 美元/百万 token。
- 40+ 分门槛：稠密模型最低为 Qwen3.8-27B，0.83 美元/百万 token。
- 50+ 分门槛：MoE 最低为 DeepSeek-V4.1-Flash-1017，0.45 美元/百万 token。
解读边界： 图注限定为 canonical LLM 样本，价格采用输入与输出 5∶1；曲线缺点不代表稠密架构理论上无法达到该能力。
证据依据
- 直接证据：图卡说明 Cheapest blended API price to clear each LLM Stats Score threshold，Canonical LLMs only。
- 视觉推断：MoE 曲线在共同门槛处低于 Dense，后者在 40 分处结束。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 27｜达到能力门槛所需的最小总参数量
原始标题：The Efficiency Curve
怎么看： 横轴为发布日期，纵轴为对数刻度的总参数量；四条阶梯线分别跟踪达到 20、30、40、50 分门槛的最小模型。
图表显示： 达到固定综合分门槛所需的最小模型在缩小，但 40 分与 50 分之间仍存在显著规模差距。本期视图中，较高能力门槛并未被同样小的模型覆盖。
关键模型 / 数据点：
- 20+ 分门槛：图示最小总参数量为 4.0B；30+ 分门槛为 27.0B。
- 40+ 分门槛：图示最小总参数量为 27.8B。
- 50+ 分门槛：从 Kimi K3 的 2.8T 降至 GLM-5.3 的 753.0B，图卡标注缩小 73%。
解读边界： 参数量是总参数而非每次推理的激活参数；历史纪录按本期 Score 口径计算，73% 不能当作两次报告之间的效率增幅。
证据依据
- 直接证据：曲线终点标注 20+ 4.0B、30+ 27.0B、40+ 27.8B、50+ 753.0B。
- 直接证据：图卡标注 50+ LLM Stats Score: from 2.8T params to 753.0B — 73% smaller。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 28｜不同参数档位的综合能力分布
原始标题：LLM Stats Score by Tier
怎么看： 横轴将总参数量分成四档，纵轴为 LLM Stats Score；散点表示模型，横线表示各档中位数。
图表显示： 参数档位越大，中位数整体越高，但各档范围大量重叠。小模型中的强者可以超过不少更大模型，而最高分仍来自最大的参数档位。
关键模型 / 数据点：
- Qwen3.5-9B：总参数 9.0B，综合分 24.4。
- Qwen3.8-27B：总参数 27.8B，综合分 44.4。
- Qwen3.8 Flash：总参数 125.0B，综合分 48.0。
- Kimi K3：总参数 2800.0B，该参数分档视图中的最高分为 51.8。
解读边界： 仅纳入披露参数且有评分的模型，不能与全量榜单直接比较最高分；总参数量不等同于激活参数或部署成本。
证据依据
- 直接证据：图卡标注 Highest LLM Stats Score by tiered-size view: Kimi K3 at 51.8。
- 视觉推断：四档中位线随档位上移，但分布有明显重叠。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 29｜已披露训练数据规模的增长
原始标题：The Training Data Race
怎么看： 横轴为发布日期，纵轴为训练 token 数量并采用对数刻度；实际图形是模型散点与拟合趋势虚线。
图表显示： 已披露样本的训练数据规模总体扩大，但同一时期差异很大。越来越大的训练集是一条可见趋势，却不能独自说明模型质量提升。
关键模型 / 数据点：
- 图卡摘要：73 个模型披露了至少 1T 训练 token，拟合规模约每 1.5 年翻倍。
- Llama 3.1 8B Instruct：2024 年 7 月发布，训练数据 15.0T token。
- DeepSeek-V4.1-Flash-1017：2026 年 10 月发布，训练数据 45.0T token。
解读边界： 副标题写“最大值、每一步刷新纪录”，实际图形却是散点与拟合线，不能按历史最大值阶梯解读；披露样本也不代表全行业。
证据依据
- 直接证据：图卡标注 Training data doubles every 1.5 years · 73 models with 1T+ tokens。
- 直接证据：PNG 中是离散点与虚线，而非副标题所称的阶梯纪录线。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 30｜训练数据量与综合能力的弱相关
原始标题：The Data Appetite
怎么看： 横轴是对数刻度的训练 token 数，纵轴是 LLM Stats Score；虚线为样本拟合趋势，图例尝试区分开放与专有模型。
图表显示： 更多训练数据与更高综合分只有较弱的统计关系。拟合解释度仅 0.09，同样数据规模下分数仍可相差很大，不能只用训练 token 数挑选模型。
关键模型 / 数据点：
- 拟合决定系数 R² = 0.09；训练 token 数增加 10 倍，对应拟合分数约增加 5.6 分。
- GLM-5.3-Flash：训练数据 30.0T token，综合分 48.6。
- DeepSeek-V4.1-Flash-1017：训练数据 45.0T token，综合分 51.0。
解读边界： 这是披露样本的相关性，不能推出增加数据必然提高得分；图中开闭源颜色未可靠区分，悬浮提示 又误添百分号，正文统一按综合分解读。
证据依据
- 直接证据：图卡标注 R² = 0.09 · Each 10x more data ≈ +5.6 LLM Stats Score points。
- 视觉推断：点云在相近训练数据规模处仍存在较大纵向离散。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
- 直接证据：悬浮提示 以百分号显示综合分；本期 API 未提供 open_source 字段，绘图以该字段判定开放模型，导致散点全灰。
图 31｜总参数量与综合能力的效率前沿
原始标题：Efficiency Frontier
怎么看： 横轴为对数刻度的总参数量，纵轴为 LLM Stats Score；蓝线连接在较小规模下取得较高分的非劣模型，左上方更有参数效率。
图表显示： 参数相近的模型表现仍可显著不同，约 28B 的两个 Qwen 模型分别达到 35.3 与 44.4 分。继续增大到数百 B 甚至数 T 后，最高分仍在提升，但得分增幅并不与总参数量成比例。
关键模型 / 数据点：
- Qwen3.6-27B：图中总参数约 28B，综合分 35.3。
- Qwen3.8-27B：图中总参数约 28B，综合分 44.4。
- GLM-5.3：总参数 753B，综合分 50.8。
- Kimi K3：总参数 2.8T，综合分 51.8。
解读边界： 纵轴百分号是来源格式错误，Score 应按分值读取；总参数量不是激活计算量，该前沿不能直接用作显存、延迟或推理费用排名。
证据依据
- 直接证据：轴名为 LLM Stats Score，但刻度错误显示百分号。
- 视觉推断：点云随参数量增大整体抬升，几十 B 参数处蓝色前沿有明显纵向跃升。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 32｜MoE 与稠密模型的能力价格前沿
原始标题：Reasoning vs Price
怎么看： 横轴为混合 API 价格并使用对数刻度，纵轴为 LLM Stats Score；蓝线与灰线分别连接 MoE、稠密模型各自的非劣点。
图表显示： 在本期可比较样本中，MoE 的价格能力前沿高于稠密模型，并覆盖更高得分区域。同一预算下，架构标签可以帮助筛选候选，但仍需比较具体模型。
关键模型 / 数据点：
- DeepSeek-V4-Flash-0731（MoE）：0.08 美元/百万 token，综合分 43.0。
- DeepSeek-V4.1-Flash-1017（MoE）：0.45 美元/百万 token，综合分 51.0。
- Qwen3.8-27B（稠密）：0.83 美元/百万 token，综合分 44.4。
解读边界： 标题沿用 Reasoning，实际能力轴是 LLM Stats Score；只纳入架构与价格信息齐全的模型，前沿优势不能当作架构的单独因果效应。
证据依据
- 直接证据：标题为 Reasoning vs Price，纵轴明确为 LLM Stats Score。
- 视觉推断：两条前沿共同覆盖的价格范围内，MoE 线总体位于 Dense 上方。
- 直接证据：从本图的悬浮提示核对上述模型及指标；概括性总量另见图卡。
图 33｜吞吐量与能力：架构前沿的有限样本
原始标题：Reasoning vs Throughput
怎么看： 横轴为每秒生成 token 数，纵轴为综合分；越靠右上越理想，蓝线和灰线分别表示 MoE 与稠密模型前沿。
图表显示： 可读取的 7 个模型全部属于 MoE，不能据此比较两类架构。Step-3.5-Flash 与 GLM-5 同为 37.0 分，前者图示吞吐更高；追求 500 token/s 时，可见前沿对应的综合分降到 18.3。
关键模型 / 数据点：
- Step-3.5-Flash：150 token/s，综合分 37.0，MoE。
- GLM-5：30 token/s，综合分 37.0，MoE。
- LongCat-Flash-Lite：500 token/s，综合分 18.3，MoE。
解读边界： 图题写推理能力，实际纵轴是整体综合分。硬件、服务商、批量和推理配置未固定，前沿只对这组样本成立。
证据依据
- 直接证据：本图交互提示与图卡标注：Step-3.5-Flash：150 token/s，综合分 37.0，MoE；GLM-5：30 token/s，综合分 37.0，MoE；LongCat-Flash-Lite：500 token/s，综合分 18.3，MoE。
- 视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
图 34｜参数量与能力：MoE 和稠密模型各有前沿
原始标题：Reasoning vs Size
怎么看： 横轴是对数刻度的总参数量，纵轴是综合分。靠左上意味着以更少总参数取得更高分，连线连接各架构的非支配点。
图表显示： 稠密模型在较小规模也能形成有竞争力的前沿；MoE 的高分区向更大总参数规模延伸。大模型群内仍有明显纵向分散。
关键模型 / 数据点：
- Qwen3.8-27B：图示 28B 总参数，综合分 44.4，稠密架构。
- Qwen3.8-Flash-Next：125B，综合分 48.1，MoE。
- Kimi K3：2800B，综合分 51.8，MoE。
解读边界： 比较的是总参数量，不能直接换算每 token 激活参数、显存或实际延迟；不同训练数据和发布日期也未控制。参数数字按本图提示的取整精度保留。
证据依据
- 直接证据：本图交互提示与图卡标注：Qwen3.8-27B：图示 28B 总参数，综合分 44.4，稠密架构；Qwen3.8-Flash-Next：125B，综合分 48.1，MoE；Kimi K3：2800B，综合分 51.8，MoE。
- 视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
图 35｜综合分与参数量：挑选规模合适的候选
原始标题：LLM Stats Score vs Parameters (Billions)
怎么看： 横轴为十亿参数数（B），使用对数刻度；纵轴为综合分，颜色区分机构，蓝线为参数—综合分前沿。
图表显示： 前沿只由少量模型组成，同一规模附近的分数分散很大。选择更大参数量，并不保证胜过更小且更靠近前沿的模型。
关键模型 / 数据点：
- Qwen3.8-27B：图示 28B 总参数，综合分 44.4。
- Qwen3.8-Flash-Next：125B，综合分 48.1。
- GLM-5.3：753B，综合分 50.8。
解读边界： 只包含同时具有参数与综合分的数据点，且截去参数量超过样本第 99 百分位或 1000B 的模型。图 31、34 中的 Kimi K3（2.8T）因此不会出现在本图，不能直接比较这些图的前沿上限。参数数字按本图提示的取整精度保留。
证据依据
- 直接证据：本图交互提示与图卡标注：Qwen3.8-27B：图示 28B 总参数，综合分 44.4；Qwen3.8-Flash-Next：125B，综合分 48.1；GLM-5.3：753B，综合分 50.8。
视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
- 直接证据：来源公开绘图逻辑将参数范围限制为不超过样本第 99 百分位与 1000B 中的较小值。
图 36｜编程指数与参数量：代码任务需要单独比较
原始标题：Coding Index vs Parameters (Billions)
怎么看： 横轴为对数刻度的总参数量，纵轴是编程指数；左上方向表示以更少参数取得更高代码能力评分。
图表显示： 编程前沿随规模抬升，但大量大模型仍落在较小模型下方。综合分的高低不足以替代对编程任务的单独筛选。
关键模型 / 数据点：
- Qwen3.8-27B：图示 28B 总参数，编程指数 29.6。
- Qwen3.8-Flash-Next：125B，编程指数 33.2。
- DeepSeek-V4.1-Flash：763B，编程指数 40.3。
解读边界： 本图同样截去参数量超过样本第 99 百分位或 1000B 的模型，不能与包含数 T 模型的图 31、34 直接比较前沿上限。编程指数只覆盖来源收录的编程评测，参数量也不含工具调用、重试和测试执行的额外开销。参数数字按本图提示的取整精度保留。
证据依据
- 直接证据：本图交互提示与图卡标注：Qwen3.8-27B：图示 28B 总参数，编程指数 29.6；Qwen3.8-Flash-Next：125B，编程指数 33.2；DeepSeek-V4.1-Flash：763B，编程指数 40.3。
视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
- 直接证据：来源公开绘图逻辑将参数范围限制为不超过样本第 99 百分位与 1000B 中的较小值。
图 37｜人类偏好与参数量：规模并不决定偏好
原始标题：Arena Rating vs Parameters (Billions)
怎么看： 横轴为对数刻度的总参数量，纵轴为此图使用的原始 Arena rating；颜色区分机构，前沿偏向左上。
图表显示： 偏好得分并不随参数规模单调增长，部分中等规模点处在更大模型之上。按偏好选出的前沿与按综合分选出的前沿并不相同。
关键模型 / 数据点：
- Gemma 4 26B-A4B：图示 25B 总参数，Arena rating 1167。
- Qwen3.6-27B：图示 28B，Arena rating 1314。
- DeepSeek-V4-Flash-0731：304B，Arena rating 2407。
解读边界： 本图同样截去参数量超过样本第 99 百分位或 1000B 的模型，不能与包含数 T 模型的图 31、34 直接比较前沿上限。Arena 数值尺度与后面的约 20 分偏好图不同，不能混算，更不能解释成正确率。参数数字按本图提示的取整精度保留。
证据依据
- 直接证据：本图交互提示与图卡标注：Gemma 4 26B-A4B：图示 25B 总参数，Arena rating 1167；Qwen3.6-27B：图示 28B，Arena rating 1314；DeepSeek-V4-Flash-0731：304B，Arena rating 2407。
视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
- 直接证据：来源公开绘图逻辑将参数范围限制为不超过样本第 99 百分位与 1000B 中的较小值。
速度与上下文：容量上限和任务速度分别验收
本组结论： 上下文纪录仍为 200 万 token，吞吐前沿则显示速度与能力的取舍。不同吞吐图采用不同样本，长窗口和高 token/s 都不能单独代表整次任务完成得更快、更好。
图 38｜上下文窗口：公开纪录仍为 200 万 token
原始标题：The Context Race
怎么看： 横轴是发布日期，纵轴是对数刻度的最大上下文窗口；灰点代表模型，橙色阶梯记录该样本的历史最高窗口。
图表显示： 本期图卡仍将 200 万 token 标为纪录，百万级窗口已有多款模型。窗口上限提供了输入容量，并不直接说明长文利用质量。
关键模型 / 数据点：
- Grok-4 Fast Reasoning：2.0M token，图示发布于 2025 年 8 月。
- Llama 4 Maverick：1.0M token，图示发布于 2025 年 4 月。
- GPT-6 Astra：1.1M token，图示发布于 2026 年 9 月。
解读边界： 这是来源收录的标称窗口，不能证明每个服务商均开放相同长度，也不能证明长上下文检索、推理或延迟达标。
证据依据
- 直接证据：本图交互提示与图卡标注：Grok-4 Fast Reasoning：2.0M token，图示发布于 2025 年 8 月；Llama 4 Maverick：1.0M token，图示发布于 2025 年 4 月；GPT-6 Astra：1.1M token，图示发布于 2026 年 9 月。
图 39｜速度与能力：最高分和最高吞吐分属不同模型
原始标题：The Speed Tax
怎么看： 横轴是对数刻度吞吐量，纵轴是综合分；越靠右上越理想，曲线连接同图样本中的非支配模型。
图表显示： 本图最高能力点与最快点分离：Claude Opus 5.5 以 72 token/s 取得 60.3 分。前沿上不同位置代表不同速度与能力取舍。
关键模型 / 数据点：
- Claude Opus 5.5：综合分 60.3，吞吐 72 token/s。
- Step-3.5-Flash：综合分 37.0，吞吐 150 token/s。
- Mercury 2：综合分 23.3，吞吐 1009 token/s。
解读边界： 本图图例列出开放与专有类别，但本次点色不能可靠区分许可，本文只比较数值。吞吐不是首 token 延迟；相邻图样本不同，也未计入推理与工具等待。
证据依据
- 直接证据：本图交互提示与图卡标注：Claude Opus 5.5：综合分 60.3，吞吐 72 token/s；Step-3.5-Flash：综合分 37.0，吞吐 150 token/s；Mercury 2：综合分 23.3，吞吐 1009 token/s。
- 视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
图 40｜综合分与吞吐量：另一个服务样本的前沿
原始标题：LLM Stats Score vs Throughput (tokens/sec)
怎么看： 横轴为线性吞吐量，纵轴为综合分；颜色区分机构，蓝线显示同一可见样本中的能力—速度取舍。
图表显示： 线性横轴把超高速点单独拉到右侧；多数较高分模型聚集在较低吞吐区。这里的前沿适合给部署实验选择候选。
关键模型 / 数据点：
- Claude Sonnet 5.5：42 token/s，综合分 58.3。
- Step-3.5-Flash：150 token/s，综合分 37.0。
- Mercury 2：1009 token/s，综合分 23.3。
解读边界： 本图不能直接替换图 39：收录模型与吞吐数值有差异；缺少某个最新模型的点，不表示它的能力或速度为零。
证据依据
- 直接证据：本图交互提示与图卡标注：Claude Sonnet 5.5：42 token/s，综合分 58.3；Step-3.5-Flash：150 token/s，综合分 37.0；Mercury 2：1009 token/s，综合分 23.3。
- 视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
图 41｜编程指数与吞吐量：代码质量和输出速度分开验收
原始标题：Coding Index vs Throughput (tokens/sec)
怎么看： 横轴为每秒生成 token 数，纵轴为编程指数；右上方向更优，蓝线是当前样本的非支配前沿。
图表显示： 吞吐量很高的模型未必有更高编程分。代码工作流应同时记录生成速度、测试通过率和修复轮次，才能理解实际效率。
关键模型 / 数据点：
- Claude Sonnet 5.5：42 token/s，编程指数 47.5。
- MiniMax M2.5：100 token/s，编程指数 26.8。
- Mercury 2：1009 token/s，编程指数 12.0。
解读边界： 编程指数和吞吐只是两个局部指标；本图没有统计构建、测试、工具等待或多轮重试的耗时。
证据依据
- 直接证据：本图交互提示与图卡标注：Claude Sonnet 5.5：42 token/s，编程指数 47.5；MiniMax M2.5：100 token/s，编程指数 26.8；Mercury 2：1009 token/s，编程指数 12.0。
- 视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
图 42｜偏好与吞吐量：快速响应不等于更受偏爱
原始标题：Arena Rating vs Throughput (tokens/sec)
怎么看： 横轴是线性吞吐量，纵轴是此图的原始 Arena rating；前沿表示更快输出与更高偏好评分之间的可见取舍。
图表显示： 最高吞吐点与最高偏好点相距很远，说明单看生成速度无法替代体验评测。可以从不同前沿点选择候选，再验证具体交互任务。
关键模型 / 数据点：
- Claude Opus 4.6：42 token/s，Arena rating 2048。
- LongCat-Flash-Lite：500 token/s，Arena rating 639。
- Mercury 2：1009 token/s，Arena rating 403。
解读边界： 不同 Arena 图的评分尺度与样本范围不同；此图也没有直接测量等待体验，不能把偏好差异归因于速度。
证据依据
- 直接证据：本图交互提示与图卡标注：Claude Opus 4.6：42 token/s，Arena rating 2048；LongCat-Flash-Lite：500 token/s，Arena rating 639；Mercury 2：1009 token/s，Arena rating 403。
- 视觉推断：前沿位置与散点分布支持本图所述取舍；结论只覆盖本图可见样本。
人类偏好：能力有参考价值，价格解释力有限
本组结论： 综合分与编程指数的相关性高于它与偏好的相关性，价格对偏好差异的解释力仅 4%。各偏好图的样本和尺度并不一致，末图还保留 8 月榜单，读图时必须同时核对口径与更新边界。
图 43｜评测相关性：综合分与编程更接近，与偏好并不等价
原始标题：Benchmark Correlation
怎么看： 矩阵每格为两个指标的 Pearson r，越接近 1 表示样本内线性相关越强；对角线是指标与自身的相关。
图表显示： 综合分与编程指数高度相关，但数学题成绩与编程偏好的相关性弱得多。跨指标一致性有差别，仍需要保留任务维度。
关键模型 / 数据点：
- LLM Score × Coding Index：Pearson r = 0.93。
- LLM Score × MMMU：r = 0.89；× Coding Arena：r = 0.66。
- AIME × Coding Arena：r = 0.30，明显低于综合分与编程指数的相关。
解读边界： 相关性会受共享评测、模型样本和缺失值影响；高度相关既不证明两个任务相同，也不能单独证明因果。
证据依据
- 直接证据：图卡、SVG 可见标注：LLM Score × Coding Index：Pearson r = 0.93；LLM Score × MMMU：r = 0.89；× Coding Arena：r = 0.66；AIME × Coding Arena：r = 0.30，明显低于综合分与编程指数的相关。
图 44｜综合分与编程偏好：有一致性，也有明显残差
原始标题：Do Humans Agree With the Indexes?
怎么看： 当前截图选中综合分标签：横轴是 LLM Stats Score，纵轴是该卡的 Coding Arena Elo；虚线表示拟合趋势。
图表显示： 本图 93 个模型的拟合 R² 为 0.621，综合分能解释这组编程偏好的部分差异，但同分附近仍出现不同偏好。
关键模型 / 数据点：
- 样本量 93 个，拟合 R² = 0.621。
- Claude Opus 5：综合分 53.7，Coding Arena Elo 显示为 27。
- GPT-5.6 Sol：综合分 53.2，Coding Arena Elo 显示为 22。
解读边界： 这是默认综合分视图，没有据此分析未选中的编程指数标签；R² 不能直接当成预测准确率。
证据依据
- 直接证据：本图交互提示与图卡标注：样本量 93 个，拟合 R² = 0.621；Claude Opus 5：综合分 53.7，Coding Arena Elo 显示为 27；GPT-5.6 Sol：综合分 53.2，Coding Arena Elo 显示为 22。
图 45｜综合分与一般偏好：正相关仍不足以决定选型
原始标题：LLM Stats Score vs Arena
怎么看： 横轴是综合分，纵轴是该图标准化的 Arena rating；机构由颜色区分，虚线为拟合线。
图表显示： 95 个模型的 Pearson r 为 0.56，呈正向关系，但同一综合分区间的偏好仍有分散。综合能力可作为筛选线索，无法保证每种交互任务的偏好。
关键模型 / 数据点：
- 样本量 95 个，Pearson r = 0.56。
- GLM-5.3-Flash：综合分 48.6，Arena rating 26.7。
- GPT-6 Astra：综合分 58.1，Arena rating 22.2。
解读边界： 本图使用 r，图 44 和 46 使用 R²；样本与偏好口径也不同，不应把三个数直接排序为评测强弱。
证据依据
- 直接证据：本图交互提示与图卡标注：样本量 95 个，Pearson r = 0.56；GLM-5.3-Flash：综合分 48.6，Arena rating 26.7；GPT-6 Astra：综合分 58.1，Arena rating 22.2。
图 46｜另一组用户评分：样本改变，结论也要限定
原始标题：User Ratings vs LLM Stats Score
怎么看： 横轴是综合分，纵轴是这组 Arena rating；散点与虚线展示 67 个模型的关系。
图表显示： 这组样本 R² 为 0.33，综合分与偏好有一定关联，但仍有大量差异没有被这一条回归解释。
关键模型 / 数据点：
- 样本量 67 个，拟合 R² = 0.33。
- Claude Opus 5：综合分 53.7，Arena rating 显示为 25。
- GPT-5.6 Sol：综合分 53.2，Arena rating 显示为 22。
解读边界： 与图 45 的 95 模型样本不同，不能把本图视为对上一图的重复验证，更不能将两组拟合统计混为一个结论。
证据依据
- 直接证据：本图交互提示与图卡标注：样本量 67 个，拟合 R² = 0.33；Claude Opus 5：综合分 53.7，Arena rating 显示为 25；GPT-5.6 Sol：综合分 53.2，Arena rating 显示为 22。
图 47｜价格与偏好：昂贵并不保证更好体验
原始标题：Cost vs Arena Rating
怎么看： 横轴是对数刻度的每百万 token 价格，纵轴为该图的 Arena rating；虚线表示样本内回归。
图表显示： 价格跨度很大，偏好分却高度重叠，图卡给出的 R² 仅 4%。API 单价对这组偏好差异的解释力很弱。
关键模型 / 数据点：
- 价格与 Arena 评分的拟合 R² = 4%。
- GLM-5.3-Flash：每百万 token 0.33 美元，Arena rating 26.7。
- Claude Fable 5：每百万 token 30.0 美元，Arena rating 24.1。
解读边界： 这是不同模型的横截面比较，不是降价实验；不同价格图的混合规则也可能不同。单价不等于基础设施成本或一次成功任务的总费用。
证据依据
- 直接证据：本图交互提示与图卡标注：价格与 Arena 评分的拟合 R² = 4%；GLM-5.3-Flash：每百万 token 0.33 美元，Arena rating 26.7；Claude Fable 5：每百万 token 30.0 美元，Arena rating 24.1。
图 48｜偏好榜的时间边界：本图仍保留旧榜单
原始标题：Human Preference Map
怎么看： 当前显示 Top Models 标签，横条越长代表保守偏好分越高。该卡使用 $\mu - 3\sigma$：$\mu$ 为估计均值，$\sigma$ 表示不确定性尺度。
图表显示： 本图八个模型及分数与 8 月快照完全相同。它能说明这张卡展示了哪些偏好数据，不能据此声称这些模型仍是 10 月所有新模型中的偏好前八。
关键模型 / 数据点：
- GPT-5.6 Sol：保守偏好分 29.5。
- Claude Fable 5：27.2；GPT-5.5：24.5。
- Gemini 3.1 Pro：22.2；Qwen3.7 Max：22.1。
- 全部 8 个模型及分数与 2026 年 8 月报告的同名图一致。
解读边界： 网页总标题更新到 10 月，不保证每张卡同步更新；未切换国家和年龄标签，因此本文不作人群差异判断。
证据依据
- 直接证据：图卡、SVG 可见标注：GPT-5.6 Sol：保守偏好分 29.5；Claude Fable 5：27.2；GPT-5.5：24.5；Gemini 3.1 Pro：22.2；Qwen3.7 Max：22.1；全部 8 个模型及分数与 2026 年 8 月报告的同名图一致。