评测方法

数据来源

为什么只用这些评测

很多经典评测已经被刷到接近满分，或者几个月没有新模型参评，拿来比较最新模型没有意义。我们只采用仍在持续收录新模型的评测，并且只展示最近约 300 天内发布的模型，让图表始终反映当下的选择。

任务与评测的对应

横轴的花费怎么算

每任务实测花费：CursorBench、ARC-AGI-2 公布了每个任务实际消耗的 API 费用（美元），已经包含推理产生的 token。这是最准的口径，同一个模型的不同推理档位会作为不同的点出现。

混合标价：其他评测没有公布花费，横轴改用 OpenRouter 公开标价，按 输入 : 输出 = 3 : 1 加权成每百万 token 的混合价。这时每个模型只保留得分最高的推理档位。注意：标价不反映模型实际会用多少 token，喜欢长篇推理的模型实际花费会更高。

帕累托前沿

把所有有价格的模型按花费从低到高排开，一个点只要比所有更便宜的点得分都高，就在前沿上。前沿以外的点意味着：总能找到一个更便宜、得分也不低于它的选择。

三个推荐怎么选

• 最强：这个任务得分最高的模型档位，不论价格。
• 明智之选：前沿上达到最强 95% 分数的选择中最便宜的。
• 便宜够用：前沿上达到最强 80% 分数的选择中最便宜的，并且要比明智之选更便宜；没有这样的模型就不推荐。
• Elo 类任务（WebDev Arena、EQ-Bench 写作）用分差代替比例：明智之选与最强相差不超过 30 分，便宜够用不超过 100 分。Epoch 能力指数 ECI 的刻度更紧凑，分别用 3 分和 10 分。

更新频率

每 6 小时自动更新一次评测与价格数据。当前数据时间：…。

暂未匹配到价格的模型

这些模型在评测中出现，但 OpenRouter 上没有对应的公开价格（或名称暂未对上），所以不参与前沿和推荐计算。