晓天衡宇评测社区持续关注大模型的发展动态，近期针对国内外主流大语言模型进行了全面评测。

榜单从智能体、代码、通用、推理四个维度，并基于20+主流评测基准，对国内外主流大语言模型进行了全面评测，现公布晓天衡宇大语言模型6月评测榜单。

本文基于Top 10评测结果进行解读，完整26个模型的全量排名和维度得分，欢迎访问晓天衡宇评测社区进行查看。

欢迎点击👉🏻晓天衡宇评测社区查看完整榜单

结论1：Claude Fable 5问鼎，海外闭源模型占据头部优势

本期榜单中，Claude Fable 5以70.72分位列第一，是本次评测中唯一总分超过70分的模型，综合领先优势较明显。

从Top 3模型看，Claude Fable 5、GPT-5.5（xhigh）、Claude Opus 4.8均为海外闭源模型，说明在本次评测集下，头部综合能力仍主要由海外闭源模型占据。

不过，第二名的GPT-5.5（xhigh）得到68.35分，第三名Claude Opus 4.8得分67.39分，两者分差不足1分，更适合看作同一头部梯队内的同水平竞争。

结论2：推理成为当前最强维度，智能体仍是全场共性短板

从四大能力维度看，推理以70.49分的行业均分领跑，其次是代码（67.68分）、通用（64.35分），智能体均分仅46.92分，是本次评测中表现最低的维度，没有模型在智能体维度突破60分，即便是榜首Claude Fable 5，智能体得分也只有57.38分。

由此可见，当前模型距离稳定完成复杂任务拆解、多步执行、工具调用和长期任务闭环仍有较大提升空间。

结论3：中游模型进入密集竞争区，国产模型差距正在收窄，但具体能力项存在差异

本期榜单第5至第10名总分分差仅2.04分，说明中游区间竞争非常激烈。在这个区间内涵盖多款国产模型，也包括部分海外模型，单纯用排名先后判断强弱已经不够准确。

以Top 10中的GLM-5.2、Qwen3.7-Max和Gemini 3.1 Pro为例，三者总分分别为64.53、64.32和64.18，最大分差只有0.35分，基本属于同一竞争梯队，但三者能力特点并不相同：GLM-5.2的智能体相对更高，Qwen3.7-Max的推理更突出，Gemini 3.1 Pro的通用更有优势。

因此，中游模型的关键看点不是“谁高0.1分”，而是不同模型在具体能力项上的差异。

评测维度

本榜单基于智能体、代码、通用、推理四个维度进行综合评估，基于加权分数计算模型的平均得分进行排序。

其中， 智能体占比最高，为35%，代码与推理各占25%，通用占15%，本期榜单并不只是看模型会不会答题，而是更强调模型在复杂任务执行、代码能力、通用能力和推理表现上的综合能力。

维度一：智能体（权重35%）

• 知识库智能体交互能力：考察模型与知识库进行多轮交互、准确检索并整合信息的能力。

• 网页浏览与信息检索能力：考察模型在中文网页环境中浏览、定位和提取目标信息的能力。

• 搜索增强推理能力：考察模型结合搜索结果进行深度推理和复杂问答的能力。

• 动态规划能力：考察模型在购物等动态场景中进行多步骤规划与决策的能力。

维度二：代码编程（权重25%）

• 多语言软件工程能力：考察模型在多种编程语言下完成软件工程任务的能力。

• 终端任务代码能力：考察模型在终端环境中执行代码任务的能力。

• 竞赛编程能力：考察模型解决竞赛级编程题目的能力。

• 自主代理端到端代码能力：考察模型作为自主代理完成端到端编码任务的能力。

• 科学计算编程能力：考察模型进行科学计算和数值编程的能力。

维度三：通用（权重15%）

• 知识：考察模型在广泛知识领域的准确性。

• 指令遵循：考察模型精确遵循复杂指令的能力。

• 幻觉：考察模型抵抗幻觉、避免生成虚假信息的能力。

• 长上下文：考察模型在长上下文条件下的信息检索与理解能力。

• 记忆：考察模型在多轮对话中的长期记忆保持能力。

维度四：推理（权重25%）

• 科学推理：考察模型在研究生难度科学问题上的推理能力。

• 数学推理：考察模型在高难度数学竞赛题目中的推理和解题能力。

• 逻辑推理：考察模型在形式逻辑、语言理解和规划类推理任务中的表现。

• 场景推理：考察模型在真实世界场景中进行推理和规划的能力。

评分指标一览表，并附有对应具体的评测集

评分方法

本次6月大语言榜单统一采用客观评分，无需主观打分，不使用ELO对战打分，且每次评估、任何打分均可一比一复现。

具体的评分方式分为三种，分别是：

1. Pass@1：模型一次生成即通过的比例，适用于代码任务和智能体任务。

2. Accuracy：回答准确率，适用于知识问答和推理类任务。

3. Score：综合评分，适用于需要多维度评判的主观类任务。

整体来看，本期榜单呈现出一个清晰趋势：推理和代码已经成为头部模型竞争的强项，通用仍能体现模型之间的基础能力差异，而智能体则是当前所有模型共同需要突破的关键短板。

• 智能体（Agentic）

智能体维度趋势图

智能体是本次评测中均分最低的维度，行业均分仅46.92分，即便是总榜第一的Claude Fable 5，智能体得分也只有57.38分；第二名GPT-5.5（xhigh）为 56.98分，二者只差0.40分。

这说明，在智能体维度上，头部模型之间的差距并没有被明显拉开，相比代码、通用和推理，智能体更像是当前模型的共同薄弱项。

从Top 10看，智能体得分较高的模型包括：

• Claude Fable 5：57.38

• GPT-5.5（xhigh）：56.98

• Claude Opus 4.8：54.36

• GLM-5.2：54.07

• Claude Opus 4.7：53.17

值得注意的是，GLM-5.2虽然总分排名第5，但智能体得分达到54.07，接近 Claude Opus 4.8，并高于Qwen3.7-Max、Gemini 3.1 Pro等同分段模型，这说明在中游模型中，GLM-5.2的任务执行类能力有一定相对优势。

---

• 代码（Coding）

代码维度趋势图

代码维度行业均分为67.68分，整体高于通用和智能体，说明代码能力已经成为当前大模型相对成熟的能力项之一。

在Top 10中，Claude Fable 5的代码得分为78.71分，是当前展示模型中的最高分；GPT-5.5（xhigh）为74.83分，Claude Opus 4.8为74.34分，两者非常接近；Claude Opus 4.7为73.05分，也处于较高水平。

从分差看，Claude Fable 5领先第二名GPT-5.5（xhigh）3.88分，领先 Claude Opus 4.8的分差是4.37分，这个差距比智能体维度更明显，说明 Claude Fable 5的总分优势，很大程度上来自代码这样高权重能力项的领先。

中游模型中，GLM-5.2、Qwen3.7-Max、Claude Opus 4.6的代码得分都在70分左右：

• GLM-5.2：70.76

• Qwen3.7-Max：70.49

• Claude Opus 4.6：70.41

这说明在代码维度上，中游模型与头部模型之间存在差距，但并不是断层式落后，尤其是GLM-5.2与Qwen3.7-Max，在代码能力上已经接近70分线，具备一定竞争力。

---

• 通用（General）

通用维度趋势图

通用维度行业均分为64.35分，处于四个维度中的中间位置。这个维度更适合观察模型在通用理解、基础问答、综合表达等任务上的表现。

在 Top 10 中，Claude Fable 5的通用得分为75.92分，明显领先其他模型；第二梯队中，Claude Opus 4.8为71.54，Gemini 3.1 Pro为71.50，GPT-5.5（xhigh）为70.47。

这里有一个值得关注的点：Gemini 3.1 Pro虽然总分排名第7，但通用得分达到 71.50，几乎与Claude Opus 4.8的71.54持平，并高于GPT-5.5（xhigh）的70.47，这说明Gemini 3.1 Pro在通用能力项上有明显亮点，不能仅用总分排名来判断其价值。

相反，Claude Opus 4.6的通用得分为61.48，在Top 10中偏低，这也解释了为什么它虽然代码有70.41、推理有70.43，但总分仍位于第10，因为通用和智能体两项共同拉低了综合表现。

---

• 推理（Reasoning）

 推理维度趋势图

推理是本次四个维度中行业均分最高的一项，达到70.49分，这说明推理能力已经成为当前大模型整体表现最成熟的方向之一。

在Top 10中，Claude Fable 5的推理得分为78.29，排名最高；GPT-5.5（xhigh）为76.50，Claude Opus 4.8为76.22。头部三款模型在推理上都超过76分，形成比较清晰的高分区。

中游模型中，Qwen3.7-Max的推理得分为74.02，表现非常突出，甚至高于 Claude Opus 4.7的73.61、GLM-5.2的71.65和Gemini 3.1 Pro的72.91。这说明Qwen3.7-Max虽然总分排名第 6，但在推理维度上具备较强竞争力。

此外，Qwen3.7-Max-Preview的推理得分也达到72.93，高于Gemini 3.5 Flash的72.57和Claude Opus 4.6的70.43，对于关注推理任务的用户来说，虽然这类模型即使总分不是最靠前，但也值得结合具体任务进一步观察。

Anthropic：Claude Opus 4.6 → Claude Opus 4.7 → Claude Opus 4.8 → Claude Fable 5

Anthropic 的 Claude系列从Opus 4.6到Fable 5呈现持续上行趋势，最新 Claude Fable 5已明显站上当前榜单头部位置，体现出连续版本迭代带来的综合能力提升。

Alibaba：Qwen3.5-Plus→Qwen3.6-Plus→Qwen3.6-Max-Preview → Qwen3.7-Max-Preview→Qwen3.7-Max→Qwen3.7-Plus

Alibaba的Qwen系列整体呈稳定爬升趋势，3.7版本已进入较高分段，说明其在近期版本迭代中持续缩小与头部模型的差距。

---

Google：Gemini 3.1 Pro → Gemini 3.5 Flash

Google的Gemini系列两个版本分数整体接近，Gemini 3.5 Flash相比Gemini 3.1 Pro没有形成明显上扬，更像是不同的模型定位，保持在相近能力区间。

---

Moonshot AI：Kimi-K2.5 → Kimi-K2.6

Moonshot AI的Kimi系列从K2.5到K2.6分数明显上涨，显示新版本在综合能力上有较清晰的提升。

---

Z.AI：GLM-5 → GLM-5 Turbo → GLM-5.1 → GLM-5.2

Z.AI的GLM系列经历短暂波动后持续走高，GLM-5.2相比早期版本已进入更高分段，说明后续版本迭代带来了较稳定的能力增益。

---

MiniMax：MiniMax-M2.7 → MiniMax-M3

MiniMax从M2.7到M3出现明显跃升，分数跨越幅度较大，是升级收益较突出的模型线之一。

---

XiaoMi：MiMo-V2 Pro → MiMo-V2.5 Pro

XiaoMi的MiMo系列从V2 Pro到V2.5 Pro分数稳步提升，说明新版本在综合评测表现上有一定进步，但整体仍处于中游竞争区间。

---

其他：GPT-5.5（xhigh）、DeepSeek-v2pro（max）、Seed 2.0 Pro、Hy3-preview

GPT-5.5（xhigh）、DeepSeek-v2pro（max）、Seed 2.0 Pro和Hy3-preview当前仅有单个版本入榜，暂时无法判断版本演进趋势，更适合作为各厂商当前代表模型的横向对比样本。

说明：

本文中提到的模型排名、分数及能力分析，均基于晓天衡宇评测社区2026年6月大语言模型综合评测结果。评测结果受评测集构成、任务类型、评分方法、模型版本及调用参数等因素影响，仅代表模型在本次评测条件下的表现，不等同于模型在所有真实业务场景中的绝对能力排序。

• 【模型能力-推理速度】分析

散点图以推理速度为横轴、综合能力为纵轴，呈现典型的"能力-效率"博弈格局。

第一象限（高速高能）：Gemini 3.5 Flash（165.0 Tokens/s，62.85分）和Qwen3.7-Plus（147.5，61.44分）兼具速度与能力，是当前最佳效率模型。

第二象限（低速高能）：Claude Fable 5（64.0，70.72分）、GPT-5.5（78.6，68.35分）和Claude Opus 4.8（60.0，67.39分）牺牲速度换取深度推理，集中在45-80速度区间但能力均超67分。值得关注的是GLM-5.2（80.0，64.53分），兼具中高速与国产最高能力，处于两个象限的交界位置。

第三象限（低速低能）：Seed 2.0 Pro（29.3，58.04分）速度与能力均处末位。

第四象限（高速低能）：MiMo-V2.5 Pro（100.0，58.41分）速度极快但能力偏弱。

整体分布揭示：当前超高能力（>67分）与超高速度（>100 Tokens/s）仍难兼得，但58-65分区间已有多款速度破80的均衡模型出现。

推理速度呈三级阶梯分布，头尾差值达135.7。

第一梯队（>100 Tokens/s）：Gemini 3.5 Flash以165.0大幅领跑，Qwen3.7-Plus（147.5）紧随其后，Gemini 3.1 Pro（108.2）和MiMo-V2.5 Pro（100.0）同处百级区间，四者均以推理优化见长。

第二梯队（60-100）：MiniMax-M3（80.0）、GLM-5 Turbo（78.9）、GPT-5.5（78.6）等11款模型密集分布，构成主力区间。

第三梯队（<60）：Claude系列集中在45-64区间整体偏慢，DeepSeek-V4 Pro和Kimi系列均为34，Seed 2.0 Pro以29.3垫底。

速度与能力存在显著trade-off——榜首Claude Fable 5速度仅64.0，速度冠军Gemini 3.5 Flash能力排第7（64.66分），高能力模型倾向更深层推理计算。

---

• 【模型能力-推理成本】分析

以本次评测产生的实际推理总成本（RMB）为横轴、综合能力为纵轴，散点图揭示了完成全部评测任务的真实花费与模型能力之间的关系。

高成本高能力区：Claude Fable 5评测总成本最高（119,000元）且能力最强（70.72分），GPT-5.5（82,688元，68.35分）和Claude Opus 4.8（61,250元，67.39分）紧随其后，三者均为海外闭源模型，评测总花费集中在6-12万区间。

中等成本区：Gemini 3.1 Pro（24,413元，64.18分）和Qwen3.7-Max（11,700元，64.32分）提供了较好的能力成本比，后者以不到前三名1/5的花费获得接近的能力水平。

低成本高效区：MiniMax-M3（2,450元，61.87分）以极低评测成本进入前12；Qwen3.7-Plus（1,969元，61.44分）和DeepSeek-V4 Pro（6,825元，62.43分）同样展现出优秀的成本效率。

极致低成本：Qwen3.5-Plus仅330元，Hy3-preview仅1,188元。该指标综合反映了Token消耗量与API单价的乘积效应，是衡量模型实际使用经济性的核心参考。API定价呈极端长尾分布，头尾相差超127倍。

---

• 【模型能力-模型参数】分析

  

以模型参数量（B）为横轴、综合能力为纵轴，散点图基于13款公开参数量的模型进行分析。参数最大的DeepSeek-V4 Pro（1600B）得分62.43位列第11，并非能力最强，说明参数规模已非决定性因素。

高参高能区：Kimi-K2.6和MiMo-V2.5 Pro均为1000B，前者61.43分后者58.41分，同参数下表现分化。

中参高效区：GLM-5.1（754B，61.79分）和GLM-5 Turbo（744B，57.96分）参数接近但得分差4分，体现训练策略差异；MiniMax-M3以428B获得61.87分，参数效率极为突出。

低参区：MiniMax-M2.7（230B，52.06分）为最小参数模型，能力受限。

整体趋势表明：在600B以上区间，参数增加带来的能力增益已明显递减；400-800B区间是当前性能与效率的最佳平衡点。架构创新、数据质量和训练方法对最终能力的贡献已超过单纯的参数堆叠。

---

• 【模型能力-Token消耗】分析

• 

以本次评测实际消耗的Token量（MTokens）为横轴、综合能力为纵轴，散点图展示了各模型完成全部评测任务所需的Token资源与最终能力产出的关系。

高消耗高能力区：GPT-5.5完成评测消耗最高（42 MTokens，68.35分），Claude Fable 5（34 MTokens，70.72分）以更少Token消耗获得更高分数，评测效率更优。Claude Opus 4.8（35 MTokens，67.39分）与Claude Opus 4.7（32 MTokens，65.35分）同属高消耗阵营。

高效率代表：Gemini 3.5 Flash仅消耗14 MTokens即获62.85分，Qwen3.6-Plus以13 MTokens获57.90分，Qwen3.5-Plus以最低的12 MTokens获55.95分，三者在评测中展现出极佳的Token利用效率。

低效区域：Hy3-preview消耗25 MTokens但仅获51.58分，MiMo-V2 Pro消耗21 MTokens仅获48.77分，评测资源消耗与能力产出不成正比。

该指标反映模型在实际评测场景下的资源开销，Token消耗越低意味着同等评测条件下推理成本越小。

---

• 【模型性价比-API价格】分析

API定价呈极端长尾分布，头尾相差超127倍。

高价区（>60元）：Claude Fable 5以140元独占高位，GPT-5.5（78.75元）和三款Claude Opus（均70元）构成海外高端定价带，5款均为海外闭源。

中价区（10-35元）：Gemini 3.1 Pro（31.5元）、Gemini 3.5 Flash（23.6元）、Qwen3.7-Max（18元）和DeepSeek-V4 Pro（11.4元）分布其中，Qwen系列以18元获第6名能力，性价比突出。

低价区（<10元）：聚集15款模型，GLM系列（9.25元）、Kimi系列（7元）、MiniMax-M3（6.1元）为代表，Qwen3.5-Plus（1.1元）最低。

整体来看，大模型API定价已形成明确的三档格局，高端市场由海外厂商主导，而国产模型凭借成本优势在中低价区形成密集竞争，同等能力下成本仅为海外的1/5至1/10。

6月大语言评测榜单已同步上线至晓天衡宇•评测社区官网，欢迎大家访问查看更详细的评测数据。