顶级 AI 模型横评：智能、性能与价格等方面全面对比
前言
人工智能分析智能指数（Artificial Analysis Intelligence Index）第 3.0 版 由 Artificial Analysis 团队在专用硬件环境中独立测试完成，覆盖全球范围，并采用 CC BY 4.0 开源许可（可自由使用但需署名）。该指数综合了 10 个关键评估项目——MMLU-Pro、GPQA Diamond、Humanity’s Last Exam、LiveCodeBench、SciCode、AIME 2025、IFBench、AA-LCR、Terminal-Bench Hard、𝜏²-Bench Telecom——用于全面衡量大型语言模型（LLMs）的综合智能表现。作为一个多维度的智能评测体系，它涵盖推理能力、科学与编程能力、任务执行、长期推理及行业专业智能等核心指标，是目前最直接、最具代表性的模型智力对比标准。
综合对比如下：
人工智能分析智能指数（Artificial Analysis Intelligence Index）
Reasoning vs Non-Reasoning（推理型 vs 非推理型）
Open Weights vs Proprietary（开源权重 vs 专有模型）
Coding Index（代码智能指数）
Agentic Index（自主体智能指数）
智能评估
由 Artificial Analysis 独立测量的智能评估结果；数值越高代表智能表现越好
Terminal-Bench Hard
📘 含义：终端操作评测（高难度版）。
🧩 内容：AI 通过命令行（Linux shell）执行真实任务。
🧠 测试 AI 的系统操作与工程执行能力。
💻 比如“安装软件、解析日志、写脚本”等。
τ²-Bench Telecom
📘 含义：Tau-square Benchmark for Telecom Intelligence
🧩 内容：电信领域特定任务，如网络流量分析、异常检测、信号优化。
🧠 测试 AI 在行业应用场景（特别是通信安全、网络管理）下的表现。
📡 面向“垂直行业智能”。
AA-LCR
📘 含义：Agent Arena – Long Context Reasoning
🧩 内容：在多轮长上下文对话中进行任务推理。
🧠 测试 AI 的长期记忆与多步推理能力。
🧭 看 AI 是否能“记住前文、持续理解场景”。
Humanity’s Last Exam
📘 含义：人类最后考试。
🧩 内容：哲学、伦理、科学、社会决策、价值判断。
🧠 测试 AI 在人类核心认知、道德和长远推理方面的表现。
💬 类似“AI 能否像人一样做复杂思考”的考试。
MMLU-Pro（Massive Multitask Language Understanding Pro）
📘 含义：多任务语言理解专业版。
🧩 测试内容：涵盖从中学到博士水平的 57+ 学科（物理、法律、历史、医学等）。
🧠 用途：衡量模型的广泛知识覆盖面和理解力。
💬 类似“AI 的大学综合考试”。
GPQA Diamond
📘 含义：Graduate-level Google-Proof Question Answering（研究生级别难度、无法直接搜索答案的问题）。
🧩 内容：物理、数学、生物等深层科学问题。
🧠 测试 AI 的推理与知识整合能力。
💎 “Diamond”表示最高难度版本。
LiveCodeBench
📘 含义：动态代码生成与执行评测。
🧩 内容：AI 生成并执行代码来解决实时任务。
🧠 测试 AI 的编程能力与执行正确率。
💻 类似“在线编程竞赛”。
SciCode
📘 含义：科学计算与算法实现测试。
🧩 内容：涉及物理模拟、数学推导、统计建模等。
🧠 测试 AI 的科学计算与逻辑思维能力。
⚗️ 更偏“科研助理级编程智能”。
IFBench
📘 含义：Instruction Following Benchmark。
🧩 内容：测试模型对复杂指令的理解与执行能力。
🧠 关注“AI 是否真的听得懂人话”，能否准确执行多层逻辑任务。
💬 类似现实应用中的任务自动化测试。
AIME 2025
📘 含义：American Invitational Mathematics Examination（美国邀请数学竞赛）。
🧩 内容：奥数级推理题。
🧠 测试 AI 的数学创造力与精确推理。
🧮 高难度数学 reasoning benchmark。
智能指数Token与使用成本
运行人工分析智能指数中所有评估所使用的Token
运行人工分析智能指数的费用(美元)
上下文窗口
上下文窗口：Token限制；数值越高越好
智能指数与上下文窗口的关系
价格
输入与输出价格
图像输入价格
智能指数与价格（对数刻度）
速度
输出速度
每秒输出代Token ；数值越高越好
按输入Token 数量（上下文长度）计算的输出速度
每秒输出代Token ；数值越高越好
输出速度差异
每秒输出Token 数；按百分位显示结果；数值越高越好
输出速度随时间变化
速度比较
输出速度和价格
输出速度：每秒输出Token数；
延迟与输出速度
延迟：接收到第一个Token所需的时间（秒）；
输出速度：每秒输出Token数
延迟
接收第一个Token所需时间
接收到第一个Token所需时间（秒）；数值越低越好
按输入Token数量（上下文长度）计算的延迟
按输入Token数量（上下文长度）计算的接收第一个代币时间
延迟差异
接收第一个Token时间的差异,接收到第一个Token所需时间（秒）；按百分位显示结果；数值越低越好
延迟超时时间
端到端响应时间
输出 500 个Token所需时间（秒），基于接收第一个代币时间、推理模型“思考”时间和输出速度计算
端到端响应时间
输出 500 个Token所需时间，包括推理模型“思考”时间；数值越低越好
按输入Token数量（上下文长度）计算的端到端响应时间
端到端响应时间随时间变化
总结对照表
| 模型名称 | 🧠 智能 (Intelligence) | ⚡ 输出速度 (Speed) | ⏱️ 延迟 (Latency) | 💰 成本 (Cost) | 🧩 上下文窗口 (Context) | ⭐ 综合评分 |
|---|---|---|---|---|---|---|
| GPT-5 Codex (high) | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐ | ⭐⭐ | 9.3 |
| GPT-5 (high) | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐⭐ | 9.0 |
| GPT-5 (medium) | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | 8.5 |
| o3 | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | 8.4 |
| Gemini 2.5 Flash-Lite (Sep) | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | 8.6 |
| Gemini 2.5 Flash-Lite | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | 8.3 |
| Granite 3.3 8B | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 7.9 |
| Aya Expanse 8B | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 8.1 |
| NVIDIA Nemotron Nano 9B V2 | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 8.0 |
| Command-R | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 7.8 |
| Gemma 3n E4B | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐ | 8.2 |
| Ministral 3B | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 8.0 |
| Llama 3.2 3B | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 7.6 |
| Llama 3.2 1B | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 7.5 |
| Llama 4 Scout | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐⭐ | 8.7 |
| MiniMax-Text-01 | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | 8.3 |
| Grok 4 Fast | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | 8.0 |
更详细链接：https://artificialanalysis.ai/models?intelligence-tab=agentic&intelligence-vs-tab=price&context-window-tab=intelligenceVsContext&pricing-tab=image&speed-tab=speedByInputTokenCount&speed-comparison-tab=vsLatency&latency-tab=overTime&end-to-end-tab=overTime#intelligence-index-tokens-cost