当前最好的 LLM 是什么?
Hans Kuepper 作者 · PromptQuorum创始人 · 开放权重与开源AI发现引擎
关键要点
- ✓没有哪个 LLM 能赢下所有任务 — Claude Opus 5.5 面向智能体编程,GPT-6 Astra 面向最高要求的任务,Gemini 4 Argon 是 Google 的旗舰
- ✓旗舰已经更替:Claude Opus 5、GPT-5.6 和 Gemini 3.1 Pro 现在都是上一代,基于它们的任何比较都已过时
- ✓GPT-6 是一个系列:Astra(每百万 token $10 / $50)是最高档,Sol($2 / $10)是均衡档,Luna($0.10 / $0.50)是成本优化档
- ✓本地方面,qwen3.5:9b(6.6 GB)覆盖通用工作,qwen2.5-coder:7b(4.7 GB)覆盖编程——两者都远低于多数指南所假设的硬件
- ✓云端模型需要 API 密钥并按令牌计费;本地模型在购置硬件后可免费运行

快速回答
当前的云端旗舰模型各自面向不同任务。Claude Opus 5.5 是 Anthropic 面向长时间运行的智能体编程和知识工作的选择。GPT-6 Astra 是 OpenAI 面向最高要求任务的旗舰,GPT-6.1 Sol 以更低成本提供接近 Astra 的性能,GPT-6 Luna 适合大批量任务。Gemini 4 Argon 是 Google 的新旗舰,面向 Google AI Pro 和 Ultra 订阅用户开放。
- ▸云端编程:Claude Opus 5.5 — 面向长时间运行的智能体编程
- ▸OpenAI:GPT-6 Astra(最高档)、GPT-6.1 Sol(均衡)、GPT-6 Luna(大批量)
- ▸Google:Gemini 4 Argon — 面向 Google AI Pro 和 Ultra 的新旗舰
- ▸本地:qwen3.5:9b — 下载 6.6 GB
最好的 LLM 取决于任务——这是一张地图
各家厂商现在都提供分档产品线,正确的选择取决于任务。长时间运行的智能体编程选 Claude Opus 5.5,高要求的通用工作选 GPT-6 Astra 或 GPT-6.1 Sol,如果你有 Google AI Pro 或 Ultra 订阅则可选 Gemini 4 Argon。下面说明各自适合的场景,以及按工作流程如何选择。
本页不按基准测试分数给旗舰排名。各厂商在自己选定的评测上发布结果,数字无法跨厂商比较,Claude Opus 5、GPT-5.6 Sol 和 Gemini 3.1 Pro 此前的分数也不能套用到它们的后继型号。厂商文档明确给出的是定位、价格、上下文窗口和知识截止日期。
Anthropic 将 Claude Opus 5.5 定位为面向长时间运行的智能体编程和知识工作,输入每百万 token $4、输出每百万 token $20,上下文窗口为 1M token。OpenAI 列出 GPT-6 Astra 为 $10/$50、GPT-6.1 Sol 为 $2/$10、GPT-6 Luna 为 $0.10/$0.50,上下文窗口均为 1.05M token。Google 将 Gemini 4 Argon 描述为其下一代前沿智能,且未公布其知识截止日期。如果成本是你的决定性约束,请将 GPT-6.1 Sol 或 GPT-6 Luna 与竞争对手的旗舰比较,而不是 Astra。
| 使用场景 | 推荐 LLM | 原因 |
|---|---|---|
| 编程 / 长时间运行的智能体 | Claude Opus 5.5 | 面向智能体编程;$4/$20 每 MTok |
| 最高要求的任务 | GPT-6 Astra | OpenAI 旗舰;$10/$50 每 MTok |
| 成本与质量均衡 | GPT-6.1 Sol | 接近 Astra;$2/$10 每 MTok |
| 大批量、成本敏感 | GPT-6 Luna | 高效档;$0.10/$0.50 每 MTok |
| Google AI Pro / Ultra 用户 | Gemini 4 Argon | Google 新旗舰模型 |
| 本地 / 离线通用 | qwen3.5:9b | 下载 6.6 GB;Ollama 中的 Qwen3.6 从 18 GB 起 |
| 本地 / 离线编程 | qwen2.5-coder:7b | 下载 4.7 GB,8 GB 显卡即可运行 |
不读 50 篇评测该如何选择
从约束出发。预算、隐私、延迟还是能力?先选能解开你最硬约束的那个模型。如果约束是隐私,只有当云端旗舰提供方的数据处理条款满足你的要求时,它才是可选项;否则问题就变成了哪款本地模型装得进你的显卡。
用你真实的任务测试两个模型。公开基准无法预测你的用例,而且今天比一年前更是如此:三家厂商各自报告三种不同的评测,因此不存在可用于排序的同口径数字。云端模型可在厂商应用中或用少量 API 预算比较,本地模型用 Ollama。
每季度复查,而不是每月。厂商往往成批更换旗舰:Claude Opus 5、GPT-5.6 和 Gemini 3.1 Pro 在发布后都被更新的模型取代。在一轮更替之前写成的比较,是整整落后一代,而不是略显陈旧。