榜单 · 更新于 2026-06
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，是我们用同一组任务把 10 个常见模型跑下来、按统一口径排的序。先说清楚评分方法，再看排名。
评分方法（四项，与关于页口径一致）
- 工具调用稳定性 · 30% 让它跑同一批多步任务，看中途崩不崩、参数填对的比例。这一项对智能体最关键，权重最高。
- 长任务连贯性 · 25% 任务拉长后会不会忘了前面、自己绕进死循环。
- 中文表现 · 25% 中文指令的理解和输出质量，含术语别译错。
- 成本与可得性 · 20% 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。这是截至 2026-06 的编辑部观点，会随版本更新，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。
2026-06 榜单
| # | 模型 | 推荐档 |
|---|---|---|
| 1 | Claude Opus 4.8 | 第一档 |
| 2 | GPT-5.1 | 第一档 |
| 3 | Gemini 3 Pro | 第一档 |
| 4 | DeepSeek-V3.2 | 第二档 |
| 5 | Qwen3-32B | 第二档 |
| 6 | GLM-5 | 第二档 |
| 7 | Llama 4 | 第二档 |
| 8 | Mistral Large 3 | 第三档 |
| 9 | Kimi K2 | 第三档 |
| 10 | MiniMax-01 | 第三档 |
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。
最近变动：GPT-5.6 先列观察位（2026-07-10 补记）
OpenAI 于 2026-07-09 全面发布 GPT-5.6，按长期档位分 Sol（旗舰最强）、Terra（强性能低成本）、Luna（最快最省）三档。从公开基准看，它在长程智能体任务上表现亮眼，重度复杂编码则仍是 Claude 一侧占优——两面的细节我们分别写在发布解读和与 Claude Fable 5 的对比里。因为发布刚过一天、评估窗口尚短，我们还没按上面四项口径跑完自己的任务集，本期暂不给推荐档，先列为观察位：按官方定位和公开基准粗看，Sol 大概率竞争第一档，Terra 是日常主力的有力候选，Luna 走量价比路线。等跑完统一任务集，下一版榜单再正式定档。