复杂推理、代码与长流程 Agent
优先测试旗舰闭源模型；用你自己的真实任务做评测，尤其关注工具调用稳定性和失败恢复。
GPT-5.6 Sol · Claude Opus 5Independent field notes / 2026
选模型，不押品牌。
六种主流商业 AI 模型，同一张桌子上比较。这里不做虚假的“总冠军”排名，只回答三个更实用的问题：能做什么、要花多少、什么时候不该选它。
资料更新时间2026 年 8 月 1 日
价格均来自厂商官方页面
价格均来自厂商官方页面
01 / Quick chooser
先从工作负载出发
推荐是基于厂商公开定位、接口能力与价格结构的实用归纳，不是跨模型基准测试结论。
多模态理解与原型
Gemini 的原生多模态和 Google 工具生态值得优先验证，但 Pro 当前仍带 Preview 标记。
Gemini 3.1 Pro Preview成本敏感的规模化 API
DeepSeek 的公开单价显著低；上线前仍要单独压测吞吐、延迟、合规和目标语言质量。
DeepSeek V4-Pro中国大陆接入与中文业务
千问提供人民币计价和国内云服务路径；不要把人民币价格直接与美元价格条目相减。
Qwen3.7-Max02 / At a glance
核心规格，一眼看清
价格为标准实时 API 的每百万 tokens 输入 / 输出价；缓存、Batch、工具调用、长上下文和区域费率可能另计。
| 模型 | 官方定位摘要 | 上下文 | 输入 / 输出 | 输入模态 | 状态 |
|---|---|---|---|---|---|
| GPT-5.6 SolOpenAI | 复杂专业工作、推理与编码旗舰 | 1.05M | $5 / $30USD / MTok | 文本、图像 | 旗舰 |
| Claude Opus 5Anthropic | 复杂 Agent 编码与企业工作 | 1M | $5 / $25USD / MTok | 文本、图像 | 正式可用 |
| Gemini 3.1 ProGoogle | 多模态理解、Agent 与复杂编码 | 以官方模型页为准 | $2 / $12≤200K prompt | 多模态 | Preview |
| Grok 4.5xAI | Agent 软件、工程和工作流任务 | 500K | $2 / $6USD / MTok | 文本、图像 | API 可用 |
| DeepSeek V4-ProDeepSeek | 思考 / 非思考双模式与高性价比 | 1M | $0.435 / $0.87cache miss / output | 文本 | API 可用 |
| Qwen3.7-MaxAlibaba Cloud | 思考 / 非思考双模式，国内云路径 | 1M | ¥12 / ¥36CNY / MTok 原价 | 文本 | 正式可用 |
03 / Model files
六份模型档案
“适合”描述的是优先评估方向。任何采购决策都应补充内部质量、安全、延迟和总成本评测。
GPT-5.6 Sol
旗舰推理与编码模型，工具覆盖面完整，适合复杂专业任务。
- 上下文1.05M
- 最大输出128K
- 工具Web / File / Computer
Claude Opus 5
面向复杂 Agent 编码与企业工作，支持自适应思考和多云接入。
- 上下文1M
- 最大输出128K
- 相对延迟Moderate
Gemini 3.1 Pro
强调多模态、复杂问题、Agent 和“vibe coding”，当前为预览版。
- 价格阈值200K prompt
- 短上下文输出价$12 / MTok
- 发布状态Preview
Grok 4.5
面向 Agent 软件、工程与工作流任务，支持推理、函数调用和结构化输出。
- 上下文500K
- 缓存输入$0.30 / MTok
- 输入文本、图像
DeepSeek V4-Pro
同一模型支持思考与非思考模式，兼容 OpenAI 和 Anthropic API 格式。
- 上下文1M
- 最大输出384K
- 工具调用支持
Qwen3.7-Max
1M 上下文的思考 / 非思考模型，人民币计价，适合国内云接入评估。
- 上下文1M
- 实时原价¥12 / ¥36
- Batch官方列示半价
04 / Cost sketch
快速估算单次成本
只计算标准输入与输出 token 费，不含缓存、搜索、工具、存储、区域、Batch 或折扣。结果不是账单报价。
Estimated API cost
$1.10
100,000 输入 + 20,000 输出 tokens；标准实时费率粗估。
05 / Read before buying
价格之外的四个变量
可靠性不是参数表
模型在你自己的工具、数据和错误恢复流程中是否稳定，比单次公开榜单分数更接近生产表现。
长上下文不等于有效记忆
窗口容量只说明可接收上限；召回质量、注意力衰减、首 token 延迟和阶梯价格需要分别测试。
数据边界要逐项确认
免费层、付费 API、企业合同和云平台代理的训练使用、日志保留与区域处理政策可能不同。
总成本包含失败
输出冗长度、重试率、工具调用次数、缓存命中和人工复核，常常比每百万 token 标价更影响账单。
06 / Primary sources
只链接官方资料
模型和价格变化很快。采购或上线当天，请重新打开对应厂商页面确认。