2026 八大最新大模型推理强度实测：得分、Token 消耗与 API 成本

数据核验日期：2026-08-25
计价地区：厂商默认公开 API 地区
价格单位：除特别注明外，均为每 100 万 Token
本期范围：OpenAI、Anthropic、Z.AI、DeepSeek、MiniMax、Xiaomi MiMo、Moonshot Kimi、Google；不包含其他厂商。
最新旗舰口径：每家选择截至核验日最新发布或最新 GA 的主力旗舰；同代速度/成本变体只放在价格表。

先说结论

推理强度不是固定 Token 配额。low、medium、high、xhigh、max 通常只是计算策略，实际思考 Token 会随任务变化，不能写成“high 固定消耗 8K Token”。本文的 Token 数来自统一测试集的实际总输出量，而不是厂商承诺的预算。

在目前公开且可复核的同口径结果中：

• GPT-5.6 Sol 从关闭推理到 max，Artificial Analysis Intelligence Index 由 42 升至 61，整套测试输出由 2.6M 增至 70M Token，整套费用由 $192.90 增至 $2,015.94。

• Claude Opus 5 从 low 到 max，得分由 52 升至 63，输出由 12M 增至 100M Token；xhigh 已达到 63，继续升到 max 没有增加整数分，但整套费用仍由 $2,909.30 升至 $3,836.05。

• Gemini 3.7 Flash 从 low 到 high，得分由 51 升至 56，输出由 18M 增至 64M Token，medium 是更平衡的默认档。

• Kimi K3 的 low 与 max 相差 12 分，但输出 Token 相差约 15 倍，最大档不适合默认套在所有请求上。

• GLM-5.3、DeepSeek V4 Pro、MiniMax M3 与 MiMo V2.5 Pro 没有公开完整同口径档位曲线。本文会列全合法档位，但缺失位置明确写“未公开”，不拿旧版本或另一模型冒充。

评测与费用口径

主表采用 Artificial Analysis Intelligence Index v4.1.1 的同版本结果。它由知识、推理、科学、长上下文、编码、终端与工具使用等任务加权组成。

• 得分 ：Artificial Analysis Intelligence Index，越高越好。

• 输出 Token ：跑完整套 Index 的输出总量，包含可见回答和计费推理 Token；不是单次请求 Token。

• $/任务 ：各子评测按任务数与 Index 权重折算的平均 API 成本。

• 整套费用 ：跑完不含重复采样的完整 Index 所产生的 API 费用。

• 未公开 ：截至核验日，官网和可追溯第三方均无该型号、该档位、该测试集的结果。

不同 tokenizer、Agent Harness、缓存命中率和计价快照会影响成本。本文不把厂商自报的 SWE-bench 分数与 AA 综合指数混成同一排行榜。

八家最新旗舰与 API 价格

价格来源：GPT-5.6 Sol、Claude 模型与价格、Z.AI 价格、DeepSeek 价格、MiniMax M3 Token Plan、MiMo V2.5 Pro 调价公告、Kimi 平台、Gemini 定价。

补充同代变体：OpenAI 另有 gpt-5.6-terra（$2/$0.20/$12）和 [`gpt-5.6-luna`](https://developers.openai.com/api/docs/models/gpt-5.6-luna)（$0.20/$0.02/$1.20）；DeepSeek 另有 deepseek-v4-flash（峰值 $0.44/$0.014/$1.32，非峰值半价）。本文的分档实测仍以旗舰 Sol 和 V4 Pro 为主。

Gemini 3.7 Flash 上表为截至 2026-12-31 的促销价；此后公开标准价为 $1.50/$0.15/$7.50。MiniMax M3 的 $0.30/$1.20 是“永久五折”后的当前价，输入超过 512K 时为 $0.60/$2.40。DeepSeek 峰值时段为 UTC 周一至周五 01:00—04:00、06:00—10:00，其余时间半价。

GPT-5.6 Sol：六档数据最完整

数据来源：none、low、medium、high、xhigh、max。

这条曲线说明，medium 到 high 的边际收益很小；如果没有高难度推理或长程编码需求，默认档通常比盲目升到 max 更经济。

Claude Opus 5：xhigh 已接近质量平台期

数据来源：low、medium、high、xhigh、max。

Anthropic 的努力档位文档见 Effort 参数说明。Opus 5 在 xhigh 与 max 必须启用 Adaptive Thinking；关闭思考只适用于不高于 high 的请求。max 可能改善特定难题，但综合整数分已出现平台期。

Gemini 3.7 Flash：三档均有独立实测

数据来源：low、medium、high。思考 Token 按输出价计费，不能关闭推理。

Kimi K3：公开实测覆盖 low 与 max

数据来源：Kimi K3 low、Kimi K3 max、Kimi K3 技术博客。AA 的美元测试成本采用当时 $3 输入/$15 输出的 API 快照；官方人民币表仍以 Kimi 平台为准。

low 到 max 增加 12 分，但完整测试输出由 8.6M 增至 130M。对普通编码请求，先用 high，只有失败重试、架构设计、安全审计和长程 Agent 才升 max 更合理。

GLM-5.3：官方只公开 high 与 max 的代码任务曲线

GLM-5.3 的 low、high、max 始终开启推理。第三方 AA 目前仅测试了 max：综合得分 60、整套输出 170M、成本 $0.68/任务、整套费用 $1,238.50。GLM-5.3 max

费用按 50K/75K × $4.40/M 复算，只包含输出及计费推理 Token，不包含输入、缓存和工具费。来源：GLM-5.3 发布说明、GLM-5.3 模型文档。

DeepSeek V4 Pro 0813：档位齐全，独立曲线仍不完整

数据来源：DeepSeek Thinking Mode、V4 Pro 0813 max 实测。不要用 2026 年 4 月预览版 V4 Pro 的 high 数据冒充 0813 正式版。

DeepSeek V4 Flash 的映射也不是“一词一档”：xhigh 会归一到 high；是否支持独立 low、max 以及具体映射应以实时文档为准。这类别名映射不会自动产生新的评测成绩。

MiniMax M3：只有开/关，没有 low/high/max

来源：MiniMax M3 官方说明、MiniMax M3 实测。思考开关不改变单 Token 价格，但会改变输出及隐藏推理 Token 数量，因此总账单仍会变化。

MiMo V2.5 Pro：四个参数值，实际只有两种模式

MiMo Responses API 接受 none、low、medium、high，但官方说明 low、medium、high 都映射为“开启推理”，没有三条独立计算曲线。

来源：MiMo Responses API、推理模式、非推理模式。这里的“同上”表示 API 实际路由到同一推理模式，不代表每次请求必然消耗完全相同 Token。

多模态、编码与 Agent 能力

编码 Agent 分数高度依赖 Harness。以下优先采用 Artificial Analysis Coding Agent Index v1.4；无该数据的模型改列厂商公开的编码基准，并明确名称，不能直接横向排序。

统一编码 Agent 数据来源：Codex vs OpenCode、Claude Code vs OpenCode、Kimi Code CLI。同一模型更换 Agent Harness 后分数、轮数、Token 和成本都会变化，因此“模型编码能力”不能脱离 Agent 系统讨论。

如何计算自己的真实费用

费用 = 非缓存输入 Token / 1,000,000 × 输入单价
     + 缓存读取 Token / 1,000,000 × 缓存读取单价
     + 缓存写入 Token / 1,000,000 × 缓存写入单价
     +（可见输出 Token + 计费推理 Token）/ 1,000,000 × 输出单价
     + 工具调用费

以 GPT-5.6 Sol 为例，假设一次 Agent 任务使用 100K 非缓存输入、900K 缓存输入、20K 可见输出和 30K 计费推理 Token：

输入：0.1 × $4 = $0.40
缓存：0.9 × $0.40 = $0.36
输出与推理：0.05 × $20 = $1.00
合计：$1.76，不含工具调用费

同一任务改用更高档位时，单价通常不变，变化的是推理 Token、循环轮数、工具调用次数和缓存命中率。生产环境应记录每次响应的 usage，按任务类型统计 P50、P90 和成功任务成本，而不是只比较每百万 Token 标价。

选型建议

• 日常编码主 Agent：GPT-5.6 Sol medium、Claude Opus 5 high、Gemini 3.7 Flash medium。

• 最高难度架构、安全与长程修复：先 high/xhigh，失败后再升 max；Claude Opus 5 在综合测试上 xhigh 已接近平台期。

• 成本敏感的批量 Agent：MiMo V2.5 Pro 开启推理、MiniMax M3 开启思考、DeepSeek V4 Pro high；但要用自己的成功率校正低单价。

• 多模态代码与 UI：Gemini 3.7 Flash、MiniMax M3、GPT-5.6 Sol、Claude Opus 5、Kimi K3；GLM-5.3、DeepSeek V4 Pro 和 MiMo V2.5 Pro 本体是文本输入。

• 不要把参数名字当算力：MiMo 的 low/medium/high 是同一开启模式；DeepSeek 存在档位归一；MiniMax 只有开关。

数据限制

1. Artificial Analysis 的模型页会随 Index 版本、价格与重跑结果更新，本文数字固定在 2026-08-25 快照。

2. 整套输出 Token 与整套费用适合比较推理强度，不代表普通用户会发起同等规模请求。

3. 厂商自报编码成绩与第三方成绩可能使用不同 Harness、提示词、重试次数和 Token 预算。

4. 没有公开数据不等于模型没有能力，只表示目前不能给出可审计的分档数字。

5. 人民币与美元未做汇率换算；AA 的美元成本采用其测试时的 API 价格快照。

6. GLM-5.3 官方模型文档标注 1M 上下文，而 AA 测试页元数据仍显示 400K；本文能力表采用官方 API 上限，AA 页面只用于引用其评测得分、Token 与成本。

变更记录