最佳 AI Agent 大模型

Agent 工作负载惩罚模型的方式和聊天不同:一个平庸的回答只损失一轮,而一次错误的工具调用、一个幻觉出来的文件路径、一次静默的提前退出,毁掉的是整条轨迹。下面的模型按恰好考验这些能力的基准排名——Terminal-Bench、OSWorld、AutomationBench——外加基准测不到的两件事:模型按任务(而非按 token)算的成本,以及它如何失败。

我们怎么选

与本站所有榜单同一套规则:论断有出处、价格标日期、只收公开可用的模型。针对 agent 的追加规则:多步基准的权重高于单轮基准;凡是 token 消耗与标价背离的地方,都标注按任务算的经济账——在这个类目里,背离是常态。Gemini 4 Argon 目前仅限受信任的防御者,所以不入榜。

快速结论

六个模型,并排看

这里刻意不画一张统一图表:agent 基准跑在不同的测试框架与版本上(Terminal-Bench 2.1 与 4.0、Codex 与 Claude Code),而同一个模型换一家来测,分数可能差很多。硬拼成一个序列只会制造并不存在的精确度。矩阵改为逐项标注数字的出处:

*厂商自报,基于厂商自家测试框架。跨厂商数字不可比——见下方 FAQ。

逐个说理由

1. Claude Sonnet 5.5 — 集群默认项

Sonnet 5.5(9 月 28 日)是罕见的「综合最佳」同时标价像中档模型:$2/$10,与 Sonnet 5 同价,但 Terminal-Bench 4.0 达到 70.6%(Sonnet 5 为 10.3%),OSWorld 2.1 为 80.1%,GDPval-AA v2.1 为 1844,而 Opus 5.5 是 1846。输出快 30% 以上,Anthropic 估计因为用的 token 更少,每任务成本最多低 30%;10 月 7 日缓存读取降到 $0.10——这很关键,因为缓存读取主导了 agent 账单。

边界在判断力。在 Anthropic 自己的测试里,复杂、开放式的工作 Opus 5.5 明显更强,Sonnet 5.5 在范围明确的任务上表现最好——这让它成为 Opus 编排者之下理想的子 agent。

**强项:**接近 Opus 的 agent 质量,价格只有一半;快 30% 以上;1M 上下文;首个带网络安全防护与回落机制的 Sonnet。 **注意:**在模糊、长程的任务上较弱;高风险网络安全请求回落到 Sonnet 5;Anthropic 后来修订了部分数字,其不同页面的小数位不一致。

2. Claude Opus 5.5 — 高风险 agent

Opus 5.5(9 月 22 日)在 Anthropic 的表格里领跑 OSWorld 2.1(81.8%)、GDPval-AA v2.1(1846)、Terminal-Bench 4.0(66.4%)与 CursorBench 4.0(57.8%),并在 Gray Swan 基准上与 Fable 5.1 并列最低的提示注入成功率。它带有筛查分类器、可审计的开源沙箱和面向 agent 的代码审查——当 agent 开始触碰生产系统时,这些更重要。$4/$20 的标价比 Opus 5 低 20%,典型工作负载实际约便宜 40%。

它并非处处领先:在 Anthropic 自家表格里,GPT-6 Astra 在 Terminal-Bench-Science 0.1(64.6% 对 58.7%)与 AutomationBench(41.4% 对 40.0%)上胜过它。

**强项:**计算机使用领跑;提示注入抵抗强,自带 agent 安全工具;1M 上下文与 128K 输出;$8/$40 的快速模式。 **注意:**思考常开;安全机制可能改道网络安全、生物与前沿 LLM 研发任务;Anthropic 提醒在这个水平上基准差距的参考价值在下降。

3. Claude Fable 5.1 — 自主能力天花板

任务超出其他所有模型的能力时,升级到 Fable 5.1(9 月 1 日)。Ramp 用它跑了 38 小时无人值守的机器学习任务,它把先前的一个结果诊断为标签伪影,并同时启动六个并行实验;Millennium 用它找到了困扰四五年、无人能解释的崩溃原因。AutomationBench 从 Fable 5 的 17.1% 升到 31.4%,缓存读取降 75% 到 $0.25,Anthropic 称这能让高度智能体化的账单最多降 45%。

预算要谨慎。$10/$50 是 Opus 5.5 的 2.5 倍,而且在 Anthropic 自家表格里,Opus 5.5 每一行都领先 Fable 5.1。Anthropic 的建议是先用 Opus,只有在拉高 effort 的评测仍不够时才转向 Fable。分类器还会改道网络安全与生物类任务,或给它们打零分——设计测试框架时要容忍这次模型切换。

**强项:**为数天级异步任务而生;长程可靠性有扎实的客户证据;重调的安全机制,网络安全误拦截减少 60%。 **注意:**Opus 5.5 价格的 2.5 倍;分类器改道;在 Anthropic 自家表格里分数低于 Opus 5.5;限制更少的同源模型 Mythos 5.1 只对受信任访问开放。

4. GPT-6.1 Sol — 业务工作流性价比

GPT-6.1 Sol(9 月 29 日)是 OpenAI 对 Sonnet 5.5 的 $2/$10 回应。OpenAI 称它在 AutomationBench 上比 Opus 5.5 高 2.2 分,成本约三分之一;在 OSWorld 2.0 上与 $10/$50 的 GPT-6 Astra 只差 2.1 分,单任务成本约七分之一;在 Terminal-Bench-Science 0.1 上成绩是 GPT-6 Sol 的两倍多,单任务 $5.47,Opus 5.5 为 $23.21。它有 1.05M 上下文,缓存输入 $0.10,以及从 Luna($0.10/$0.50)到 Astra 的同一套三档价格阶梯,可按难度路由。

证据是它的弱点:几乎全是 OpenAI 自己的数字,没有 Terminal-Bench 4.0 分数,而且 Sol 有两个版本——新项目应选 6.1。如果成本不是约束,GPT-6 Astra($10/$50,同一模型页)仍是 OpenAI 在 agent 科学任务上的最高分。

强项:$2/$10 加 1.05M 上下文;近 Astra 的结果只要五分之一价格(OpenAI 自报);缓存输入 $0.10,与 Sonnet 5.5 持平。 **注意:**厂商自报数字;阶梯混乱;只支持文本与图像输入;面向 Codex 的 Ultrafast 版本已宣布随后推出。

5. Sakana Fugu — 编排者

Fugu 是另一个物种:它本身是一个被训练来「委派」的模型,在一个 OpenAI 兼容端点背后,把每个任务路由到可替换的前沿与开源模型池。厂商公布的结果显示 Fugu Ultra 在高难度工程基准上与 Fable 5 并肩——考虑到其模型池里没有任何 Anthropic 模型,这一点值得注意。取舍:编排 token 会推高多智能体任务的账单,质量取决于路由,且发布时欧盟/EEA 不可用。

**强项:**架构级厂商冗余——模型池能绕开任何单一供应商的故障;OpenAI 兼容即插即用;擅长冗长杂乱的研究与评审任务。 **注意:**编排 token 让多智能体任务比单模型调用更贵;「并肩」的说法是厂商自报;发布时欧盟/EEA 不可用。

6. MiMo-V2.6-Pro — 开源权重之选

MiMo-V2.6-Pro(9 月 22 日)是 1.02T MoE、激活 42B,MIT 许可,支持文本、图像、视频与音频输入,1M 上下文,API 价约 $0.435/$0.87。小米称提升来自六天的大规模强化学习,并自报 AutomationBench 53.1(高于它为 Opus 5 列出的 50.3)、Terminal-Bench 2.1 89.9 与 Artificial Analysis 智能指数 46。它还支持视频与音频输入,对语音与视频 agent 很有用。

对这些说法要有分寸。这些都是小米在自家框架下的数字;在更难的 Terminal-Bench 4.0 上,同一张表里它是 34.9,Opus 5 是 49.0。它还是个需要自己托管 1.02T 参数的模型,如果你在迁移,旧的 MiMo-V2.5 模型 ID 将在 10 月 21 日失效。

**强项:**MIT 许可;全模态输入;$0.435/$0.87 定价;作为开放模型,agent 相关成绩出色。 **注意:**分数为厂商自报;在最难的终端工作上落后于闭源前沿;自托管 1.02T 参数是运维投入。

同样考虑过

• GLM-5.3 与 DeepSeek V4.1-Flash — 在我们的编码榜上领先的 MIT 许可开源选项;都以文本为主、擅长编码 agent,其中 DeepSeek 最便宜,低谷 $0.15/$0.60。
• Grok 4.7 — $2/$6、500K 上下文、Terminal-Bench 4.0 37.6%;相比 Grok 4.6 是大幅提升,但仍落后于头部。
• Mistral Large 4 — 1.05T 开放权重预览,网络安全与法律结果亮眼;权重 10 月底发布。

实战怎么选

• 从 Sonnet 5.5 开始,用真实工作负载测每任务成本——effort 档位对账单的影响比价目表更大。
• **让 Opus 5.5 坐镇。**Opus 5.5 做编排者、Sonnet 5.5(或 Haiku 5.5)做子 agent,符合 Anthropic 对这个系列的定位。
• 只把 Opus 5.5 拉高 effort 仍失败的轨迹升级到 Fable 5.1。
• 如果你在 OpenAI 生态,用自己的任务把 GPT-6.1 Sol 与 Sonnet 5.5 对比——厂商数字定不了输赢。
• 不可逆操作保留人工审批,无论用哪个模型。校准能减少静默失败,但不能消灭它。

所有模型的完整规格见模型目录。相关榜单:最佳编程大模型。本榜单反映截至 2026 年 10 月 12 日的格局。

更新记录

• 2026-10-12 — 10 月更新:Sonnet 5.5 替换 Sonnet 5;Opus 5.5 替换 Opus 5;Fable 5.1 替换 Fable 5;GPT-6.1 Sol 替换 GPT-5.6;MiMo-V2.6-Pro 替换 GLM-5.2 成为开源权重之选。
• 2026-07-29 — 7 月更新:Opus 5 替换 Opus 4.8(OSWorld 2.0 + AutomationBench 领跑);GPT-5.6 GA 替换 GPT-5.5(Terminal-Bench 91.91%)。
• 2026-07-02 — 首次发布:Sonnet 5 · Fable 5 · GPT-5.5 · Opus 4.8 · Sakana Fugu · GLM-5.2。

常见问题

来源

• Anthropic — Introducing Claude Sonnet 5.5
• Anthropic — Introducing Claude Opus 5.5
• Anthropic — Claude Fable 5.1 and Claude Mythos 5.1
• OpenAI — Introducing GPT-6.1 Sol
• Sakana AI — Fugu product page
• Xiaomi MiMo — MiMo-V2.6
• Artificial Analysis — Intelligence Index & cost-per-task