Entry / Pod's Garden

2026 年 9 月末前沿模型对照：一张够做选型的表

2026.09.29

#pods-garden #llm #models #pricing #benchmark #selection

9 月的最后两周，模型圈几乎没有喘气。 GPT-6 Astra 在 9 月 3 日打头[22]；Gemini 3.8 Flash 在 9 月 2 日跟上，这已经是 Google 四个月里的第四个 Flash[4]。 DeepSeek 在 9 月上线 V4.1 Flash，把官方 id 直接换成了 deepseek-flash[11][20]。

下半月更挤。 Grok 4.7 于 9 月 21 日落地[13]；9 月 22 日同一天里，OpenAI 发布 GPT-6 Sol / Luna[9]，Anthropic 发布 Claude Opus 5.5[7]。 9 月 28 日，Sonnet 5.5 收尾，Anthropic 预告 Haiku 5.5 随后就到[8]。

模型一多，表格就开始骗人。所以我先把这篇的两条规矩写在最前面：

厂商海报分和独立复跑分不混着看。 同一个 Terminal-Bench 4.0，Opus 5.5 的 66.4% 是 xhigh effort + Claude Code harness[7]，AA 独立复跑出来大约 60%[15]；Grok 自报约 38%，独立复测常落到 26–28%[14]。把它们并排放进一张「绝对排名」，排出来的东西没有意义。
单价不等于单任务成本。 Grok 4.7 的单价和 4.6 一样是 $2 / $6，但它每个任务的输出 token 翻了一倍多（约 81k 对 36k）[14]。Sonnet 5.5 的单价也和 Sonnet 5 一样是 $2 / $10，可它的单任务成本高了约 50%[2]。

下面所有数字都标了出处，末尾有完整来源列表。「单位是 USD / 百万 token」这句只在第 3 节成立，别的地方都是钱。

0. 一句话格局

档位	模型	一句话
旗舰智力	Claude Opus 5.5	独立指数目前最高；编码 + 知识工作最稳
几乎同档、更便宜	Claude Sonnet 5.5	多项接近 Opus；max 档极啰嗦，单任务可能比 Opus 更贵
旗舰科学 / 短输出	GPT-6 Astra	科学终端、计算机使用、token 效率强，单价最贵
中档默认	GPT-6 Sol	中档性价比尖端；日常编码 / API agent 默认
海量低价	GPT-6 Luna	摘要、抽取、高并发
开源便宜编码	DeepSeek V4.1 Flash	开源 MIT + 极低价，中等 agent 编码贴近 Gemini Flash
多模态工作马	Gemini 3.8 Flash	音视频 PDF；促销价用到 2026-12-31
特定领域 + Cursor	Grok 4.7	电气 / 法律 agent 突出；输出偏长，单任务不一定便宜

合成建议：

分看 Opus / Sonnet
钱看 Sol / Luna / DeepSeek
Astra 只在科学终端和短输出旗舰任务上合理
Sonnet 5.5 不要默认开 max

1. 发布与定位

模型	发布	官方定位
Gemini 3.8 Flash	2026-09-02	Flash 线最强工作马；另有受限的 Flash Cyber
GPT-6 Astra	2026-09-03	GPT-6 旗舰：专业工作、编码、计算机使用、对齐
DeepSeek V4.1 Flash	2026-09-10	开源多模态 MoE，替换 V4-Flash / Vision-Exp
Grok 4.7	2026-09-21	编码 / 知识工作旗舰
GPT-6 Sol / Luna	2026-09-22	把 Astra 的训练方法下放到中档和低价档，API 约半价
Claude Opus 5.5	2026-09-22	5.5 家族首发；多数任务对标 Fable 5.1，比 Opus 5 便宜约 40%
Claude Sonnet 5.5	2026-09-28	日常 scoped 任务、修 bug、文档 / 幻灯 / 表格、设计

补充：

Anthropic 明确预告 Haiku 5.5 会在随后几周加入 5.5 家族[7][8]。
知识截止：AA 目录给 Astra 记的是 2026-04-30[18]，Grok 4.7 官方文档写 2026-05[23]；Claude 5.5 系官方口径为 2026-06，Sol 约 2026-04-20。
DeepSeek 那一步是「换名」而不是「加名」：deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 两个老名字仍然能调，但请求会被转到 V4.1-Flash，按 Flash 的价格计费[11]。

2. 规格

模型	上下文 / 最大输出	输入模态	推理档	权重
Opus 5.5	1M / 128K（Batches 可到 300K）	文本 + 图	Adaptive，默认 medium，thinking 关不掉	闭源
Sonnet 5.5	1M / 128K	文本 + 图	Adaptive，App 默认 medium	闭源
GPT-6 Astra	~1.05M	文本 + 图	有 effort，低档起步	闭源
GPT-6 Sol	~1.05M	文本 + 图	low → max，可关 reasoning	闭源
GPT-6 Luna	~1.05M	文本等	low → high	闭源
DeepSeek V4.1 Flash	1M / 384K	文本 + 图	思考 / 非思考；API `low` / `high` / `max`	开源 MIT；552B MoE，激活约 16B
Gemini 3.8 Flash	1M / 64K	文本 + 图 + 视频 + 音频 + PDF	low / medium / high	闭源
Grok 4.7	500K / 无单独上限	文本 + 图	low / medium / high（默认）/ xhigh	闭源

要点：

DeepSeek 的卖点是 KV cache 压缩（相对前代约 4×），长 agent 循环受益最明显[20]。552B 总参数 / 16B 激活，MIT 许可，权重在 Hugging Face 上[20][24]。
DeepSeek 的 Pro / Flash 双档阵容从 V4 一代开始，Flash 一直定位在「更快、更便宜」那一档[5]。
Gemini 3.8 Flash 是这张表里输入模态最全的：文本、图像、语音、视频都吃[19]。
Grok 4.7 的上下文最短，500K，和 4.6 一致[14][23]。
一处口径不一致，值得单独记一笔： GPT-6 的上下文，厂商口径约 1.05M，而 AA 目录把 Sol 记作 872k[17]、Astra 记作 1M[18]。要写代码时以官方文档为准，别拿第三方目录的数字去卡上限。

3. API 标价（USD / 百万 token）

这一节才按 token 计价，而且单价 ≠ 单任务成本。 高 effort 会「想更久」，账最终是按任务结的。

模型	Input	Output	Cache read	备注
GPT-6 Luna	0.10	0.50	0.01	相对 5.6 Luna 半价[9]
DeepSeek V4.1 Flash	谷 0.15 / 峰 0.30	0.60 / 1.20	谷 0.003 / 峰 0.006	官方 id `deepseek-flash`[11]
Gemini 3.8 Flash	0.75（2027-01-01 起 1.50）	3.75（起 7.50）	0.075（起 0.15）	促销到 2026-12-31[10]
Grok 4.7	2.00（输入 ≥200K 则 4.00）	6.00（长上下文 12）	0.50 / 1.00	Fast 档 2×，仅 Cursor / Grok Build[12][23]
GPT-6 Sol	2.00	10.00	0.20	与 Sonnet 同档单价[9]
Sonnet 5.5	2.00	10.00	0.20	官方称单任务可比 Sonnet 5 省约 30%[8]
Opus 5.5	4.00	20.00	0.20	Fast mode 8 / 40；cache 比 Opus 5 降 60%[7]
GPT-6 Astra	10.00	50.00	1.00	最贵旗舰档[18]

几条读数：

DeepSeek 的峰谷。 谷时价是峰时的一半，峰时是 UTC 工作日 01:00–04:00 与 06:00–10:00，周末和中国法定节假日全天都算谷时[11]。
Gemini 的缓存是输入价的一折（$0.075，90% 折扣），2027-01-01 起涨到 $0.15；输入输出也同步翻倍[10]。
Opus 5.5 的缓存折扣到了 95%：$0.20 对 $4 的输入价[7][15]。这一条对长 agent 循环的影响比单价本身大。
第三方转售的 DeepSeek 可能到 $0.025 / $0.29 一带，和官方峰谷价不是同一张表，别混着算。

4. 独立复跑

4.1 Artificial Analysis Intelligence Index v4.3.2

10 项加权：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1[15][20]。

模型（测评档）	Index	单任务成本	每任务输出 token	备注
Opus 5.5 max + fallback	58	$5.98	~119k	现最高[1][15]
Opus 5.5 xhigh	56	$3.46	~66k	性价比更好的旗舰档[21]
Sonnet 5.5 max + fallback	56	$7.60	~193k	AA 测过最啰嗦[16]
Opus 5.5 high	53.6	$1.82	~36k
GPT-6 Astra max	53	$3.26	~27k	最短输出的旗舰[18]
Fable 5.1 max + fallback	53	$7.63	—
Opus 5.5 medium（默认）	51.2	$1.34	~26k	日常该看这档
Opus 5 max	51	$5.86	~73k	被 5.5 medium 完爆
GPT-6 Sol max	48	$1.06	~31k	中档最优[17]
Muse Spark 1.3 max	48	$1.60	~60k
Grok 4.7 xhigh	46	$3.74	~81k	比 4.6 贵一倍多[14]
GPT-6 Sol xhigh	44.1	$0.53	~16k
Gemini 3.8 Flash high	41	$1.24	~48k	促销价会更低[19]
DeepSeek V4.1 Flash max	39	$0.27	—	开源最便宜能打的[20]
GPT-6 Luna max	37	$0.07	—	海量档[21]

Sonnet 5.5 的几个关键读数[2][16]：

分只比 Opus 低 2（56 对 58）。
max 档单任务比 Opus 还贵：$7.60 对 $5.98，因为它每任务的输出 token 高了约 60%。
官方 $2 / $10 的单价在这里有误导性；低 / 中档 Sonnet 的单任务成本可以到约 $0.41 起，那才是它该待的位置。
fallback 大约发生在 0.1% 的任务上，主要在 Terminal-Bench 4.0，回退目标是 Sonnet 5。

AA 子项（独立复跑，不是厂商海报）：

子项	Opus 5.5 max	Sonnet 5.5 max	Astra max
Terminal-Bench 4.0	59.6–60%	64%	59%
AA-Briefcase Elo	1822	1811	1569
GDPval-AA Elo	1846	1844	1542
AutomationBench-AA	70%	71%	68%
HLE	61.4%	—	55%
SciCode	66.9%	—	56%

读数注意：

独立 TB4 上 Sonnet 5.5 略超 Opus；知识工作两者持平，且都远超 Astra。
Astra 赢在 token 极短（约 27k / 任务）[18]。
厂商海报里 Opus 的 66.4% 是另一套 harness / effort，不要和 AA 的约 60% 直接比[7][15]。
Opus 5.5 测评时开着生产护栏：部分网络 / 生物任务会 fallback 到 Opus 4.8 / Opus 5，Anthropic 自己说这会压低相关分[7]。

Coding Agent Index（各家原生 harness：Claude Code / Codex / Grok Build）：

Grok 4.7 + Grok Build = 56，比 4.6 +9 分，在原生 harness 里排第 4，前面是 Fable 5.1、GPT-6 Astra、Opus 5[14]。
Sonnet 5.5 的 Coding Agent 全量分在 AA 文章里没有单列完整[16]。

GPT-6 Sol 各 effort（AA 口径）[3][17]：

Effort	Index	单任务成本	输出 token / 任务
none	28.1	$0.33	4.9k
low	33.9	$0.13	3.4k
medium	39.8	$0.25	6.5k
high	42.8	$0.37	10.2k
xhigh	44.1	$0.53	16k
max	47.5	$1.06	31.2k

Opus 5.5 的成本前沿档位：

Effort	Index	单任务成本
medium	51.2	$1.34
high	53.6	$1.82
xhigh	56.0	$3.46
max	57.6–58	$5.98

4.2 Vals Index（2026-09-27）

GDP 加权，覆盖金融 / 编码 / 法律。这里的 Cost / Test 是跑完整套 Vals，不是单次聊天[6]。

模型	Vals Index	Cost / Test	时长量级
Opus 5.5	69.69%	$32.77	~1h12
Sonnet 5.5	69.22%	$20.80	~1h10
Fable 5.1	68.83%	$28.92	~1h16
Opus 5	67.21%	$18.81	~56m
GPT-6 Astra	66.61%	$19.09	~25m
GPT-5.6 Sol	63.71%	$14.21	~32m
GPT-6 Sol	62.57%	$7.56	~27m
Gemini 3.8 Flash	62.25%	$5.39	~45m
Grok 4.7	60.22%	$11.16	~33m
GPT-6 Luna	58.45%	—	—
DeepSeek V4.1 Flash	57.86%	$0.30	~26m

Vals 要点：

Sonnet 5.5 总分只差 Opus 0.47 分，Cost / Test 大约是它的 2/3[6]。
Vibe Code / Code Migration 上 Sonnet 排第一。
Astra 再次呈现同一个形状：分稍低、时间短、token 少。它的 ~25 分钟是这张表里最快的[6]。
DeepSeek Flash 用 $0.30 换 57.86%，性价比极端。
Vals 对 GPT-6 Sol 的结论是 #8 / 65，62.57%，每测试 $7.56，不到 Astra $19.09 的一半。

两套独立榜对齐之后的排序：

智力天花板：Opus 5.5
几乎同档：Sonnet 5.5（Vals 更便宜，AA max 更贵）
科学 / 速度 / 短输出旗舰：Astra
中档默认：GPT-6 Sol
Cursor / Grok Build 编码：Grok 4.7 可用，但 AA 单任务偏贵
多模态工作马：Gemini 3.8 Flash
开源 / 自托管：DeepSeek V4.1 Flash
海量：Luna

5. 厂商海报分（仅供对照，不与第 4 节混排）

这一节的数字全部来自厂商自己的发布页或系统卡，不能和第 4 节并排当排名看。

基准	Opus 5.5	Sonnet 5.5	GPT-6 Astra	GPT-6 Sol	Grok 4.7	DS V4.1 Flash	Gemini 3.8 Flash
Terminal-Bench 4.0	66.4% (xhigh)	70.6%	57.9%	—	厂商 ~38%；AA 复测 33%	—	—
Terminal-Bench 2.1	—	—	—	—	—	90.6%	89.4%
CursorBench 4.0	57.8%	55.5%	—	5.6 Sol 41.7%	46.3%	—	—
FrontierCode v1.1 Main	54.4%	46.2% max / 52.1% xhigh	53.3%	接近 Fable	—	—	—
DeepSWE v1.1	系统卡 74.2%	—	~74.1%	68.8% max	71.0% high	74.2%	73.7–73.8%
SWE-bench Pro	89.9%	—	—	—	—	—	—
Terminal-Bench-Science 0.1	58.7%	—	64.6%	—	—	—	—
AutomationBench（Zapier）	40.0%	—	41.4%	33.2% xhigh（单任务 $0.27）	—	—	—
HLE + tools	67.7%	64.5%	57.2%	—	—	—	—
OSWorld	partial 81.8% / strict 48.7%	partial 80.1%	—	xhigh offline 60.5%	—	—	—
EEBench	—	—	—	5.6 Sol 39.4%	64.0%	—	—
Harvey Legal Agent	—	—	—	5.6 Sol 2.5%	19.6%	—	—

三个必须记住的坑：

Grok 自报 TB4 约 38%，AA 复测是 33%（xhigh，Grok Build harness）[14]。
GPT-6 Astra 的 64.6% 出现在 Terminal-Bench-Science，不是 TB4；它在 TB4 上报的是 57.9%，而 Opus 的 66.4% 来自 xhigh[7][22]。
很多 DeepSWE / TB2.1 的高分是厂商自跑，没有第三方复现。

6. 三类场景单任务成本

用官方单价 + AA 实测的 token 密度估算。Cache 命中按官方 cache read 价。

工作负载假设：

场景	输入	输出	轮次	cache
B1 Cursor 写代码	首轮 80k，之后每轮 8k 新上下文	每轮 6k	20 轮	80k 长期命中
B2 API agent	每轮 12k 新 + 40k cache	每轮 8k	25 轮	高
B3 批量抽取	每条 6k 新 + 2k 系统提示命中	每条 0.4k	1 万条	系统提示全命中

6.1 B1 Cursor 写代码（20 轮一次功能）

API 等价账单；订阅用户当作额度消耗看。

模型	约成本
Luna	$0.08–0.15
DeepSeek Flash 谷时	$0.15–0.40
Gemini 3.8 Flash 促销	$0.40–0.90
GPT-6 Sol medium / high	$0.80–1.80
Sonnet 5.5 medium	$1.20–2.50
Grok 4.7 high	$1.50–3.50
Opus 5.5 medium	$1.50–3.00
Sonnet 5.5 max	$4–8
Astra max	$4–8
Opus 5.5 max	$5–10

经验法则：Cursor 里用 Sol 或 Sonnet medium 做日常；卡住了再升 Opus medium。Sonnet / Opus 开 max，会把「一次功能」做成「一顿饭钱」。

AA「一个 Index 任务」可以当一次偏难的编码 / 知识任务来锚：

模型档	单任务
Sol max	$1.06
Opus medium	$1.34
Astra max	$3.26
Grok xhigh	$3.74
Opus max	$5.98
Sonnet max	$7.60

6.2 B2 API agent（25 步工具循环）

这一档更吃 cache。

模型	cache read / M	25 步量级
DeepSeek Flash 谷时	0.003	$0.20–0.60
Luna	0.01	$0.15–0.40
Gemini Flash 促销	0.075	$0.80–2.00
Sol	0.20	$1.50–3.50
Opus 5.5 medium	0.20	$2.50–5.00
Grok 4.7	0.50	$3–7
Sonnet 5.5 max	0.20	$6–12
Astra	1.00	$8–15

说明：

循环越长，DeepSeek / Luna 越赚，Astra 越亏。
OpenAI 自报的 AutomationBench 是短工作流：Sol xhigh 每任务 $0.27，Astra low 约 3.9×[9]。25 步的循环会按上表放大。
Gemini 在 2027-01-01 单价翻倍之后，这一档的成本大约翻番。

6.3 B3 批量抽取（1 万条）

1 万条，每条 6k 新输入 + 2k 命中系统提示 + 0.4k 输出，按官方单价算：

模型	1 万条	单条
GPT-6 Luna	$8.20	$0.00082
DeepSeek Flash 谷时	$11.46	$0.00115
DeepSeek Flash 峰时	$22.92	$0.00229
Gemini 3.8 Flash 促销	$61.50	$0.00615
Gemini 3.8 Flash 2027 标价	$123	$0.0123
Grok 4.7	$154	$0.0154
GPT-6 Sol	$164	$0.0164
Sonnet 5.5	$164	$0.0164
Opus 5.5	$324	$0.0324
GPT-6 Astra	$820	$0.0820

批量抽取只用 Luna 或 DeepSeek，不要碰旗舰。这一档几乎只看 input 单价，Opus 算下来是 Luna 的 40 倍。

7. 社区与产品层（截至 9/29，定性）

Opus 5.5：长程 coding agent、UI / 前端、文风更干净[7]。护栏 / fallback 会让部分安全向任务变钝。Pro / Max 额度上调，5 小时限额和限速重置都可保存[7]。
Sonnet 5.5：刚满一天。官方对标修 bug、文档 / 幻灯 / 表格、设计[8]。CursorBench 只比 Opus 低约 2 分。社区在等独立速度复测。
Astra：科研和计算机使用的「脑子」，token 效率高[22]。吐槽集中在 $10 / $50。
Sol / Luna：开发者更关心这两档。社区共识是 OpenAI 这周赢在价格曲线，不赢在智商天花板[3][9]。
DeepSeek V4.1 Flash：开源圈和成本敏感团队首选[20]。弱项是多模态广度、最难 agent 套件掉队。
Gemini 3.8 Flash：GCP / Workspace 友好，速度快（high 档约 278 t/s）[19]。记住 2027-01-01 翻倍。
Grok 4.7：Cursor / Grok Build 友好，电气、法律能出头[13]。更啰嗦，按任务算账单可能比 4.6 更贵。

尚未系统补的一层：中文写作、Claude Code / Codex / Grok Build 的额度与默认模型、一线稳定性。

8. 怎么选

用途	默认	升级	不要用
Cursor / Grok Build 写代码	Sol 或 Sonnet medium	Opus medium	Sonnet / Opus max、Astra
难重构、长 agent、要一次对	Opus medium / high	Opus xhigh	Luna、Flash 硬顶
API 工具循环	Sol 或 DeepSeek Flash	Opus medium	Astra（cache 太贵）
万级抽取 / 分类	Luna 或 DeepSeek 谷时	Gemini Flash	任何 $2+ input 的模型
音视频 PDF	Gemini 3.8 Flash	—	DeepSeek（没有音视频）
要开源 / 自托管	DeepSeek V4.1 Flash	—	闭源旗舰

9. 读数坑

Effort / harness 不统一。Opus 海报 TB4 用 xhigh + Claude Code；Astra 用 OpenAI 自报的 high；Grok 自报和 AA 复测能差 10 分[7][14][22]。
安全 fallback 会让 Anthropic 在网络 / 生物题上吃亏，官方自己承认会压低分数[7]。
单价 ≠ 单任务。Grok 4.7、Sonnet max、高 effort 的 Opus / Gemini 都可能「看起来便宜、做完更贵」[2][14]。
很多 DeepSWE / TB2.1 高分是厂商自跑。
Sonnet 5.5 刚满一天，部分 GDPval / AA-Briefcase 是预发布部署上测的，Anthropic 说结构化输出有个 bug 会压分，已修[8][16]。
AA 中途 rebase 过 —— GDPval-AA 的 Elo 锚点现在是 DeepSeek V4.1 Flash (max) = 1600[21]，新旧分不要混比。本文以 v4.3.2 为主。
DeepSeek 第三方托管价和官方峰谷价不是同一张表。
Gemini 3.8 Flash 的「Index 59」是旧口径的分数（AA 9 月 2 日的文章[4]）；在 v4.3.2 下它是 41[19]。这类跨版本混比是这张表里最容易踩的坑。

本文所有外部事实都标了编号；厂商页用于价格与定位，Artificial Analysis 与 Vals AI 用于独立复跑，两者不混排。

Sources