榜单 · 2026-06 首发 · 全表逐行复核 2026-09-01 · 第一档 OpenAI 行更新 2026-09-05

哪个模型当龙虾的“大脑”更合适

龙虾本身不带智商，它要接一个大模型当大脑。换个模型，同一只龙虾的表现可能差出一截。新手最常踩的坑，是照着别人推荐随手接一个，结果跑多步任务时它中途忘事、工具参数填错、或者一句中文指令理解偏了——任务就废在半路。所以选模型这件事，对智能体比对聊天机器人重要得多：聊天只要它“答得好”，智能体要它“一连串动作都不出错”。

下面这张表把 10 个常见模型按同一套口径排了个序。刚换代不久的那几款，档位先按各家官方文档给出的定位放，等它们在我们自己的任务集上跑够了再校。先说清楚评分方法，再看排名。

排档看什么（四项，按看重程度从高到低，与关于页口径一致）

工具调用稳定性　让它跑同一批多步任务，看中途崩不崩、参数填对的比例。这一项排在最前——智能体调不动工具，别的都白搭。
长任务连贯性　任务拉长后会不会忘了前面、自己绕进死循环。
中文表现　中文指令的理解和输出质量，含术语别译错。
成本与可得性　API 价格、能不能本地跑、量化后掉多少。

这是编辑部排的序，不是官方跑分。下表的“推荐档”是上面四项综合后的定性判断，分第一档 / 第二档 / 第三档，排名只靠 # 列的先后体现，我们不打精确分数，因为没有谁真做过统一的官方基准测试。这是编辑部的观点，会随版本更新，最近一次全表逐行复核是 2026-09-01；此后第一档里 OpenAI 这一行在 2026-09-05 单独复核并换了模型，其余各行没有跟着重核。它不等于任何公开榜单的成绩。每项怎么看、用的什么任务集，写在关于与评分方法里，你可以拿同样的口径自己核对。

榜单（全表复核 2026-09-01 · 第一档 OpenAI 行更新 2026-09-05）

本榜 2026-09-01 对着各家官方文档逐行看过一遍，那一次闭源第一档的两行按新阵容改了；2026-09-05 我们只回头核了 OpenAI 这一行，把第 2 行换成了刚发布的 GPT-6 Astra。两次改了什么，都写在下面这节。3-10 名这次没有逐行重核，也没有可核实的新信息，维持 09-01 的状态——宁可标着旧的，也不猜一个新的填上去。

#	模型	类型	推荐档	本地可跑	一句话点评
1	Claude Opus 5	闭源 API	第一档	否	官方点名的默认起点，冲着多步工具调用去的；顶不住了同门还有贵一倍的 Fable 5.1 可加档。
2	GPT-6 Astra	闭源 API	第一档	否	官方把它摆在最难的端到端活上，单价是 GPT-5.6 Sol 的 2.5 倍；走量的活仍可留在 5.6 三档，它没退役。
3	Gemini 3 Pro	闭源 API	第一档	否	长上下文是强项，读大文件、跑超长任务有优势，工具调用偶有抽风。
4	DeepSeek-V3.2	开源	第二档	可（量化后）	开源里最能打的一档，中文母语级，性价比高，但要本地跑得有像样显卡。
5	Qwen3-32B	开源	第二档	可	中文场景好用，32B 量化后单卡能带动，本地党的实用首选。
6	GLM-5	开源	第二档	可（量化后）	中文和工具调用都在线，生态文档齐全，部署体验顺。
7	Llama 4	开源	第二档	可（量化后）	英文任务底子厚、社区微调版本多，中文要靠微调补，原生稍弱。
8	Mistral Large 3	开源	第三档	可（量化后）	推理干净利落、响应快，长任务后段连贯性会掉一点。
9	Kimi K2	开源	第三档	可（量化后）	超长上下文是卖点，整本文档塞进去没问题，工具调用稳定性一般。
10	MiniMax-01	开源	第三档	可（量化后）	中文对话自然，做轻量助手不错，多步复杂任务容易在中段卡住。

推荐档是我们的主观判断，会随版本和测试任务变化，不必当成定论。看到和你的体感不一致很正常——不同任务对“稳定性”的要求差别很大。建议照评分方法里的口径，拿你自己常跑的活试一两个候选，比看任何榜单都准。如果你发现某条标注（比如“本地可跑”）不对，欢迎到更正记录页看我们怎么改、或者告诉我们。

第一档动过什么（按时间倒序留档）

2026-09-05：第 2 行从 GPT-5.6 换成 GPT-6 Astra

OpenAI 于 2026-09-03 发布 GPT-6 Astra（gpt-6-astra），官方把它写成目前最能打的一款，冲着最难的端到端活去：computer use、浏览、软件工程、科学与专业工作这几块官方点名它到了 SOTA，长处是跨代码、浏览器和专业软件的多步流程。这正好是龙虾这类智能体天天在干的事，所以第一档里 OpenAI 的代表换成它。价格 $10 / $50 每百万 token，上下文 1,050,000、最大输出 128,000。这里有一处容易看漏，跟 GPT-5.6 那边同理：输入超过 272K 的请求，整条请求按 2 倍的输入与缓存费率、1.5 倍的输出费率重算，不是只给超出的那部分加价。要不要给龙虾换、换之前该先审哪些 skills，写在GPT-6 Astra 给龙虾当大脑。

换行不等于 GPT-5.6 过时了，这点容易看反。官方给旧 GPT-5 线（gpt-5-2025-08-07 等将于 2026-12-11 关停）指的迁移方向，正是 GPT-5.6 的 Sol / Terra / Luna——它是被推荐的那一档，不是被淘汰的那一档。Astra 的单价是 Sol 的 2.5 倍（输入输出都是），走量的活留在 5.6 三档更划算，所以第 2 行的点评把这两件事写在了一起。三档分别适合什么活，仍看GPT-5.6 三档解读。

这一次只重新核了 OpenAI 这一行，3-10 名没有逐行重核，仍是 09-01 那次的状态。另外我们还没拿 Astra 跑过自己的任务集，上面写的是官方文档的定位，不是我们的实测结论；等它在我们常跑的活上跑够了再回来校档位。本节的价格与规格照抄官方文档，核对日期 2026-09-05。

2026-09-01：Opus 4.8 换成 Opus 5、GPT-5.1 换成 GPT-5.6

那次改动之前，榜首挂的还是 Claude Opus 4.8，它已经被官方移进 Legacy 名单——还能调，但不再是当前旗舰。按当时的官方模型总览页，Anthropic 在售的是四款：

Claude Fable 5.1（claude-fable-5-1）　$10 / $50 每百万 token，1M 上下文、最大输出 128K。官方定位是吃推理、跑长程的智能体活。
Claude Opus 5（claude-opus-5）　$5 / $25，1M / 128K。面向复杂智能体编码与企业级工作，官方说大多数场景都该从它起步。
Claude Sonnet 5（claude-sonnet-5）　$2 / $10，1M / 128K。速度与智力之间取平衡的那一档。
Claude Haiku 4.5（claude-haiku-4-5）　$1 / $5，200K / 64K。四款里最快，官方说它的智能已经接近前沿。

那为什么榜首放 Opus 5，而不是更贵、更新的 Fable 5.1？因为官方自己就是这么建议的：大多数场景从 Opus 5 起步；Fable 5.1 留给 demanding reasoning 和 long-horizon agentic work，或者你在 Opus 5 上把 effort 调高之后、跑自己的评测仍然不达标的时候。它贵整整一倍，不是“谁都该换过去的更强版”——所以那一版我们把它写成第一档里的加档选项，而不是让它单独占一行压在 Opus 5 头上。龙虾这种一圈圈转的智能体循环，绝大多数人在 Opus 5 上先把 effort 调上去就够了。怎么接、effort 五档怎么定，写在龙虾AI 接 Claude Opus 5；到底值不值得往 Fable 5.1 换、换前要改哪几处配置，写在Fable 5.1 该不该换。

另一头，OpenAI 的 GPT-5.6 于 2026-07-09 全面发布，再上一版我们只给了观察位，那次正式接替 GPT-5.1 进第一档——站内三篇文章都在讲它，榜上还挂着 5.1 说不过去。（这一行后来在 2026-09-05 又换成了 GPT-6 Astra，见上一节；GPT-5.6 本身没有退役，仍是官方推荐的长期档位。）它按长期档位分三层：Sol（旗舰）$4 / $20、Terra（强性能低成本）$2 / $12、Luna（最快最省）$0.20 / $1.20。有两处容易看漏：Sol 的现价是促销价，官方标注至少持续到 2026-11-21；长上下文档位的单价是上面这组的两倍。三档分别适合什么活，写在GPT-5.6 三档解读；和 Claude 一侧怎么取舍，写在GPT-5.6 与 Claude 的对比。

本节（2026-09-01 那次）的价格、model ID 和上下文规格照抄各家官方文档，核对日期同为 2026-09-01。这类数字改得比模型本身还勤，真要按它算成本，请回官方定价页看当时显示的数。

怎么按自己情况选 预算够、要它干靠谱的活，闭源 API 第一梯队（Opus 5 / GPT-6 Astra）省心，量大又想压成本，可以退到 GPT-5.6 的 Terra、Luna 档；在意数据不出本机、又有一张能跑的显卡，DeepSeek-V3.2 和 Qwen3-32B 是开源里最稳的两个；只是想先在本地把龙虾跑起来玩，从 Qwen3-32B 这类单卡带得动的量化版起步，门槛最低。