训练一次 GPT-5.5 要多少钱？据说光电费就能买一辆宝马。

但这不是重点。重点是——花了这么多钱的模型，写代码到底行不行？

2026年6月，独立评测机构 Artificial Analysis 发布了最新一轮大模型基准测试结果，覆盖 530 款模型。我从里面扒出了 Coding 指数（Terminal-Bench Hard + SciCode）和 Agentic 智能指数（GDPval-AA + τ²-Bench Telecom）两大核心维度的 TOP 19，加上 ITBench-AA（SRE 场景）、AA-Omniscience（知识可靠性）、GDPval-AA（真实任务 Elo）三个附加维度，做了一份尽量客观的横评。

废话不多说，先看总表。

一、核心指标总览

先说结论再展开：GPT-5.5 编程最强，Claude Opus 4.8 智能体最强，国产模型全面跻身全球前十。

模型	上下文	多模态	Coding指数	Agentic指数
GPT-5.5	✅1M	文本+图像	59.1	74.1
GPT-5.4	✅1M	文本+图像	57.2	68.0
Claude Opus 4.8	✅1M	文本+图像	56.7	77.8
Gemini 3.1 Pro Preview	✅1M	文本+图像+音频+视频	55.5	59.1
Claude Opus 4.7	✅1M	文本+图像	52.5	71.3
Claude Sonnet 4.6	❌200k	文本+图像	50.9	63.0
Qwen3.7 Max	✅1M	❌纯文本	50.1	66.6
DeepSeek V4 Pro	✅1M	❌纯文本	47.5	67.2
Kimi K2.6	❌262k	文本+图像+视频	47.1	66.0
Qwen3.7 Plus	✅1M	文本+图像+视频	46.5	65.1
MiMo-V2.5-Pro	✅1M	❌纯文本	45.5	67.4
Gemini 3.5 Flash	✅1M	文本+图像	45.0	70.3
MiniMax-M3	✅1M	文本+图像+视频	43.4	68.6
GLM-5.1	❌200k	❌纯文本	43.4	67.1
DeepSeek V4 Flash	✅1M	纯文本	38.7	61.3
DeepSeek V3.2	❌131k	纯文本	36.7	52.9
Qwen3.6 27B	❌262k	文本+图像	36.5	62.9
Qwen3.6 35B A3B	❌262k	文本+图像	35.2	58.3
Claude Haiku 4.5	❌200k	文本+图像	32.6	40.2

加粗的 是国产模型。这个表格传递的信息很明确——国产模型在 Coding 和 Agentic 两个维度上都已经稳居全球第一梯队，不再是追赶者，而是竞争者。

二、Coding 指数深度拆解：谁写代码最靠谱？

Coding 指数由 Terminal-Bench Hard（终端操作基准）和 SciCode（科学编程）两个子项合成，衡量的是模型在不依赖 IDE 的情况下，直接写代码、跑命令、做科学计算的能力。

全球前三

1. GPT-5.5（59.1）—— 断崖式领先？其实没有。比第二名 GPT-5.4（57.2）只高了不到 2 分，比第三名 Claude Opus 4.8（56.7）高了 2.4 分。但从绝对数值看，GPT-5.5 的 Terminal-Bench Hard 成绩是唯一突破 60 分的，在编写 shell 脚本、处理文件系统这些真实开发场景上确实有一手。

2. GPT-5.4（57.2）—— 被 5.5 盖过了风头，但这个分数放在两个月前就是全球第一。5.5 相比 5.4 在 Agent 能力上做了大幅优化，纯 Coding 层面拉开的差距其实不大。

3. Claude Opus 4.8（56.7）—— 和 GPT-5.4 只差 0.5 分，几乎平手。但 Claude 的真正杀招不在纯 Coding，而在 Agentic 能力（下面会说）。

国产梯队

Qwen3.7 Max（50.1） 排名全球第 7，国产最高。50.1 这个分数有多不容易？它排在了 Gemini 3.1 Pro Preview（55.5）之后，但和 Claude Sonnet 4.6（50.9）仅差 0.8 分。

DeepSeek V4 Pro（47.5） — 全球第 8。这里有个极其恐怖的数据：DeepSeek V4 Pro 的优惠价（5月31日前 2.5折）仅为 Claude Sonnet 4.7 的 1/432。即使恢复原价，成本也仅为 GPT-5.5 的零头。接近顶流 80% 的 Coding 能力，只要 1% 的价格——这不是广告，是真实定价。

Kimi K2.6（47.1） — 支持文本+图像+视频的多模态模型，Coding 排名第 9。月之暗面推出了 199 元/月的 Allegretto 套餐，买套餐还能送专属龙虾（字面意思的龙虾，是真的吃的龙虾）。

小模型扛把子： DeepSeek V4 Flash（38.7）、Qwen3.6 27B（36.5）这些参数更小的模型虽然绝对分数不高，但缓存命中时成本低到可以忽略。V4 Flash 缓存命中场景下输出仅 ¥0.02/百万 token——拿来批量处理代码审查、写单元测试非常划算。

三、Agentic 智能指数：谁最会干活？

如果说 Coding 指数比的是"写代码的本事"，Agentic 指数比的是"用工具干活的能力"——让模型自己调用 API、操作文件、执行命令、编排多步骤任务。

全球前三

1. Claude Opus 4.8（77.8） — 新王加冕。 4.8 相比 4.7（71.3）提升了 6.5 分，是本次榜单中提升幅度最大的模型。Anthropic 在 Agent 能力上的投入已经见到回报——在 GDPval-AA（真实世界任务 Elo 评分）中，Opus 4.8 的 1890 Elo 同样排名第一。

2. GPT-5.5（74.1） — 比 Opus 4.8 低 3.7 分。OpenAI 的模型调用工具能力依然很强，但在需要多步骤自主决策、异常恢复的场景下，Claude 现在更胜一筹。

3. Claude Opus 4.7（71.3） — 被 4.8 超车但依然是顶级水平。GDPval-AA 1753 Elo，真实世界任务中表现稳定。

国产 Agentic 能力惊喜

MiniMax-M3（68.6） — 国产 Agentic 最高分，全球第 5。这个排名非常惊人——MiniMax-M3 是一个参数体量相对较小的模型，但在 Agent 调度能力上反超了几乎所有国产大模型。极速版输出速率高、很少遇到 429 限流，配合 OpenClaw 使用体验很好。

MiMo-V2.5-Pro（67.4） — 小米出品，国产 Agentic 第二。它在多工具协同调度上的表现接近 Claude Opus 系列，完全开源后企业集成的成本很低。

GLM-5.1（67.1） — 智谱的产品线有个特点：Agentic 高（67.1）但 Coding 普通（43.4），说明它更擅长编排任务而不是写代码。如果你需要一个"指挥型"模型——让它分配任务、调用工具、管理流程——GLM-5.1 比 GPT-5.5 便宜得多。

DeepSeek V4 Pro（67.2） — 整体最均衡的国产模型，Coding 和 Agentic 都在全球前 10。

四、补充维度：SRE、幻觉率、真实场景

ITBench-AA：Kubernetes 事故根因分析

这个维度测试的是模型在 SRE 场景下的实战能力——给一个 Kubernetes 集群故障，让模型找出根因。

排名	模型	准确率
1	Claude Opus 4.7	46.7%
2	GPT-5.5	45.8%
3	Qwen3.7 Max	42.5%
4	Gemini 3.5 Flash / GLM-5.1	40.3%
5	Claude Sonnet 4.6	39.8%
6	DeepSeek V4 Pro	38.3%

这个维度很重要——如果你的工作涉及 K8s 运维，Qwen3.7 Max（42.5%）表现优于 DeepSeek V4 Pro（38.3%）和 Kimi K2.6（31.2%），是国产 SRE 场景首选。

AA-Omniscience：知识可靠性与幻觉率

模型说的"看起来很有道理"的内容，到底靠不靠谱？

排名	模型	可靠性得分
1	Gemini 3.1 Pro Preview	33
2	Claude Opus 4.8	27
3	Claude Opus 4.7	26
4	Gemini 3.5 Flash	23
5	GPT-5.5	20
6	Qwen3.7 Max	14

Gemini 3.1 Pro 的 33 分几乎是 GPT-5.5（20 分）的 1.6 倍，在知识可靠性上拉开了一个身位。国产模型中 Qwen3.7 Max（14 分）最高，但与 GPT-5.5 仍有差距。Kimi K2.6（6 分）和 GLM-5.1（1 分）在知识可靠性上还有较大提升空间。

GDPval-AA：真实世界任务 Elo 评分

这是最接近"实际使用体验"的维度——让模型解决真实世界问题，按 Elo 评分。

排名	模型	Elo
1	Claude Opus 4.8	1890
2	GPT-5.5	1769
3	Claude Opus 4.7	1753
4	Sonnet 4.6	1676
5	GPT-5.4	1674
6	MiniMax-M3	1670
7	Gemini 3.5 Flash	1656
8	MiMo-V2.5-Pro	1571
9	DeepSeek V4 Pro	1554
10	Qwen3.7 Max	1546

Claude Opus 4.8 的 1890 Elo 是"当之无愧的第一"——它不是靠某个单项刷分，而是在所有真实任务场景中都稳定发挥。MiniMax-M3（1670）在真实任务中的表现甚至超过了 Gemini 3.5 Flash（1656），这是非常不错的成绩。

五、选型建议：不同场景选什么模型？

写代码为主：Qwen3.7 Max（国产首选，Coding 50.1，ITBench 42.5%）→ 降档用 Qwen3.7 Plus → 预算无限用 GPT-5.5。

Agent 自动化（OpenClaw、Harness 等）：复杂多步骤选 Claude Opus 4.8（Agentic 77.8，GDPval Elo 1890）→ 国产选 MiniMax-M3（Agentic 68.6，极少限流）→ 追求开源选 MiMo-V2.5-Pro（Agentic 67.4，完全开源）。

日常编码 + 省钱：DeepSeek V4 Pro（Coding 47.5，Agentic 67.2，价格仅为 GPT-5.5 约 1%）。缓存命中场景用 V4 Flash（¥0.02/百万 token）。

SRE/运维场景：Qwen3.7 Max（ITBench 42.5%）→ Claude Opus 4.7（46.7%）。

知识可靠性场景（法律、医疗、文档）：Gemini 3.1 Pro（33 分）→ Claude Opus 4.8（27 分）。

六、趋势观察

1. 国产模型不再是"追赶者"。 Qwen3.7 Max（全球第 7）和 DeepSeek V4 Pro（全球第 8）已经用分数证明了这一点。在 Agentic 维度，MiniMax-M3（全球第 5）甚至超过了 GPT-5.4。

2. Agent 能力正在成为新战场。 Coding 能力的差距在缩小（TOP10 最大差 13.6 分），但 Agentic 能力的差距还很大（TOP10 最大差 18.7 分）。Anthropic 在 Agent 上重注投入，4.7→4.8 提升了 6.5 分。OpenAI 的 GPT-6 如果不在 Agent 上跟上来，可能会在"谁最能干活"这个维度上输掉。

3. 知识可靠性是国产模型的致命短板。 国产模型中最好的 Qwen3.7 Max 只有 14 分，而 Gemini 3.1 Pro 是 33 分。如果模型在"不懂的时候会胡说"，用在工作流中就是定时炸弹。

4. 性价比已经不是一个次要选项。 DeepSeek V4 Pro 用 1% 的价格实现了 80% 的 Coding 能力——这不是"凑合着用"，而是"你完全可以主力用它，省下的钱去充其他服务"。

5. 没有完美的模型，只有合适的组合。 我的个人搭配：日常编码用 DeepSeek V4 Pro（省钱），复杂架构用 Claude Opus 4.8（强 Agent），运维排查用 Qwen3.7 Max（ITBench 高），知识核查用 Gemini 3.1 Pro（低幻觉）。

2026年6月的模型格局可以概括为：GPT-5.5 写代码最稳，Claude Opus 4.8 干活最靠谱，国产模型全面逼近但知识可靠性仍需补课。下个月的榜单会是什么样？我很好奇。

延伸阅读：GLM-5.2深度解读：智谱开源模型凭什么跻身全球编程第一梯队、Token消耗横评：4款AI编程工具11倍差距，你的账单被谁悄悄拉高了

---

📌 系列文章

• 2026年AI编程工具横评：Trae、Cursor、Claude Code、Copilot X 同一任务实测对比
• MiMo Code实测：小米开源30B MoE模型写代码到底行不行

如果这篇文章对你有帮助，点个关注 👆 我会持续更新 AI 编程实战、工具测评和踩坑记录。