模型评测 · Coding Plan

2026年8月主流大模型能力对比：Kimi K3 综合国产第一，Qwen3.8 Max Agentic 全球第一，DeepSeek V4 Flash 正式版越级打Pro，国产阵营全面突破

· 数据来源 https://vibecoding.dreamfree.space

基于独立评测机构 Artificial Analysis 发布的最新 AI 模型基准测试结果（数据统计时间：2026 年 8 月 5 日），本文围绕 Intelligence Index（v4.1）和 Agentic Index（GDPval-AA v2 + τ³-Banking）两大核心指标，对 21 款主流大模型进行横向评测，并附成本参考。

本期不单独列出 Coding Index，因 Artificial Analysis 主对比页当前未为本期模型名单提供独立 Coding 横比视图。

本期关键变化（相较 2026 年 6 月榜单）：

  1. Claude Opus 5 以 Intelligence 61 登顶全榜，同时 Agentic 55.3 达到第二；Anthropic 旗舰全面改写格局
  2. Qwen3.8 Max Agentic 55.4 拿下本期第一，Intelligence 56 同列第五；国产旗舰首次在 Agentic 指数夺冠
  3. GPT-5.6 Sol 以 Intelligence 59、Agentic 54.0 成为 OpenAI 本期旗舰；GPT-5.6 系列同时提供 Terra、Luna 两个梯度
  4. Kimi K3 Intelligence 57、Agentic 50.1，两项均为国产第二，是本期最值得关注的国产综合能力型号
  5. DeepSeek V4 Flash 0731 vs 0420：Intelligence 50 vs 40（+10），Agentic 45.7 vs 31.1（+14.6），成本约 \$0.03/任务——同代型号中性价比最突出
  6. GLM-5.2 Intelligence 51、Agentic 43.1，为国产均衡选型代表；DeepSeek V4 Pro 正式版预计 8 月发布
  7. Agentic 指数口径已升级为 GDPval-AA v2 + τ³-Banking，与 6 月旧口径不可直接比较绝对分值

一、快速对比总览

下表汇总 19 款主要模型关键指标（GPT-OSS-120B、Claude Haiku 4.5 仅作分布参照，不在本文单独展开）：

模型 上下文 多模态 Intelligence Agentic
Claude Opus 5 ✅ 1M ✅ 文本+图像 61 55.3
Claude Fable 5 ✅ 1M ✅ 文本+图像 60 52.8
GPT-5.6 Sol ✅ 1M ✅ 文本+图像 59 54.0
Kimi K3 ✅ 1M ✅ 文本+图像+视频 57 50.1
Qwen3.8 Max ✅ 1M ❌ 纯文本 56 55.4
Claude Opus 4.8 ✅ 1M ✅ 文本+图像 56 47.2
GPT-5.6 Terra ✅ 1M ✅ 文本+图像 55 47.4
GPT-5.5 ✅ 922k ✅ 文本+图像 55 44.9
Grok 4.5 ❌ 500k ✅ 文本+图像 54 45.7
Claude Sonnet 5 ✅ 1M ✅ 文本+图像 53 46.7
GPT-5.6 Luna ✅ 1M ✅ 文本+图像 51 45.6
GLM-5.2 ✅ 1M ❌ 纯文本 51 43.1
Gemini 3.6 Flash ✅ 1M ✅ 文本+图像+语音+视频 50 38.7
DeepSeek V4 Flash 0731 ✅ 1M ❌ 纯文本 50 45.7
Qwen3.7 Max ✅ 1M ❌ 纯文本 46 30.6
MiniMax-M3 ✅ 1M ✅ 文本+图像+视频 44 35.4
DeepSeek V4 Pro ✅ 1M ❌ 纯文本 44 36.4
MiMo-V2.5-Pro ✅ 1M ❌ 纯文本 42 29.1
DeepSeek V4 Flash（0420） ✅ 1M ❌ 纯文本 40 31.1

二、Intelligence Index：Opus 5 登顶，GPT-5.6 全线升级

Artificial Analysis Intelligence Index（2026 年 8 月 5 日）。

数据来源：Artificial Analysis - Intelligence Index

Intelligence Index v4.1 综合 9 项评测：GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、HLE、GPQA Diamond、CritPt、AA-Omniscience、AA-LCR。

Claude Opus 5 以 61 分独占榜首，比第二名 Claude Fable 5（60）领先 1 分，比 GPT-5.6 Sol（59）领先 2 分。这是 Anthropic 首次在 Intelligence 指数上同时击败 OpenAI 与自家上代旗舰。

OpenAI 本期以 GPT-5.6 系列全面替代 GPT-5.5：Sol（59）定位顶端；Terra（55）定位中端，达到和上代 GPT-5.5（55）并列的成绩；Luna（51）定位低价档，以极低成本（约 \$0.05/任务）填补轻量档。

国产阵营中，Kimi K3 以 57 分创下本期国产 Intelligence 最高分，超过 Qwen3.8 Max（56）。GLM-5.2 以 51 分与 GPT-5.6 Luna 并列。DeepSeek V4 Flash 0731 以 50 分跻身中段，与 Gemini 3.6 Flash 持平，且单任务成本约 \$0.03，远低于同分位的其他型号。

三、Agentic Index：Qwen3.8 Max 夺冠，国产创下历史高点

Artificial Analysis Agentic Index（2026 年 8 月 5 日）。

数据来源：Artificial Analysis - Agentic Index

本期 Agentic Index 采用 GDPval-AA v2 + τ³-Banking 口径，评估模型在真实世界多步骤任务与工具调用中的表现。与 6 月旧口径（GDPval-AA + τ²-Bench Telecom）不同，本期绝对分不宜直接与 6 月对比。

Qwen3.8 Max 以 55.4 分拿下 Agentic 第一，仅以 0.1 分的差距超过 Claude Opus 5（55.3），成为国产阵营首次登顶 Agentic 榜首的型号。这一结果意味着，在衡量自主多步骤任务执行能力的场景下，国产旗舰已达到全球顶尖水平。

Claude Opus 5（55.3）、GPT-5.6 Sol（54.0）、Claude Fable 5（52.8）紧随其后，共同构成 Agentic 指数前四。Kimi K3 以 50.1 分位列国产第二，在自主任务调度与复杂流程驱动方面领先其余国产型号。

DeepSeek V4 Flash 0731 Agentic 45.7，比旧版 0420（31.1）提升 14.6 分，与 Grok 4.5 持平，跻身中段第一梯队。

四、成本对比：Flash 0731 性价比最高，Fable/Opus 成本最高

Cost per Intelligence Index Task（2026 年 8 月 5 日）。

数据来源：Artificial Analysis - Cost per Task

成本差距在本期格外悬殊：Claude Fable 5 的每任务成本约 \$3.15，Qwen3.8 Max 约 \$3.26，同属高端付费段；而 DeepSeek V4 Flash 0731 约 \$0.03、GPT-5.6 Luna 约 \$0.05、DeepSeek V4 Pro 约 \$0.05，同属极低成本段。

Flash 0731 的性价比最为突出：Intelligence 50、Agentic 45.7，每任务成本约 \$0.03，是 Grok 4.5（同 Agentic 分，\$0.36）成本的不到 1/10，也是 Gemini 3.6 Flash（同 Intelligence 分，\$0.56）成本的约 1/19。

GPT-5.6 Luna：经历了一轮骨折降价后，以约 \$0.05 的成本实现 Intelligence 51，与 GLM-5.2 持平，是 OpenAI 模型中面向成本敏感场景的最佳选择。

五、国产深度解析

Qwen3.8 Max（阿里）：Agentic 全球登顶，但注意纯文本限制

Qwen3.8 Max 是本期最大惊喜：Agentic 55.4 全榜第一，Intelligence 56 位列国产第二（仅次于 Kimi K3），单任务成本约 \$3.26。

在自主多步骤任务、工具调用与复杂流程驱动场景下，Qwen3.8 Max 已超越 Claude Opus 5，成为本期 Agentic 基准测试的新标杆。对于以 Agent 自动化为核心需求的团队，Qwen3.8 Max 值得优先测试。

需注意：Qwen3.8 Max 是纯文本模型，不支持图像等多模态输入。需要多模态能力时，可考虑 Qwen3.7 Plus 或 MiniMax-M3。

另外，Qwen3.8 Max 的单任务成本接近 Fable 5，与 Flash 0731 相差约 100 倍，预算问题需要考虑。

国内接入可通过阿里云百炼 API（百炼 Token Plan）按量使用。

Kimi K3（月之暗面）：国产 Intelligence 最高，但新购受限

Kimi K3 Intelligence 57 为国产第一（Agentic 仅次于 Qwen3.8 Max），在综合能力方面依然是本期国产最值得关注的型号之一。支持 1M 上下文和文本+图像+视频多模态，覆盖了代码、长文档与多模态任务。

但需注意：K3 发布后，Kimi 官方会员已暂停新购，目前存量资源较拥挤。若需要稳定访问，可通过OpenCode或共绩算力（官方价格的8折）等第三方平台接入。

DeepSeek V4 Flash 0731 vs 0420：升级明显

型号 Intelligence Agentic Cost/Task（约）
DeepSeek V4 Flash 0731 50 45.7 \$0.03
DeepSeek V4 Flash（0420） 40 31.1 \$0.07

Flash 0731 相对 0420，Intelligence +10，Agentic +14.6，成本还略低。且以更低成本（约 \$0.03/任务）越级超过 DeepSeek V4 Pro（Intelligence 44，Agentic 36.4，成本约 \$0.05/任务），成为国产阵营中性价比最高的型号。

DeepSeek V4 Pro 正式版预计 8 月发布，届时模型能力与定价可能有进一步变化，建议关注 DeepSeek 官方公告。现阶段可通过 DeepSeek 官方平台 或共绩算力（官方价格的8折）按量使用 V4 Flash 0731 或 V4 Pro。

GLM-5.2（智谱 AI）：均衡国产旗舰，代码场景稳定

GLM-5.2 Intelligence 51、Agentic 43.1，是本期国产阵营中综合能力最均衡的旗舰之一。全面开源，多平台接入广泛（智谱国内/国际版、OpenCode、共绩、方舟等）。对于代码开发场景，GLM-5.2 的稳定性与生态覆盖度值得信赖，GLM Coding Plan 可作为稳定订阅入口。

六、选型建议

最高综合智能

  • 首选 GPT-5.6 Sol（Intelligence 59）、Kimi K3（57）、Qwen3.8 Max（56）、Claude Opus 5（61）

Agent 自动化为主

  • Qwen3.8 Max（Agentic 55.4，全榜第一）适合复杂多步骤自动化，纯文本场景优先
  • Claude Opus 5（Agentic 55.3）与 GPT-5.6 Sol（Agentic 54.0）在多模态 Agent 场景更全面
  • Kimi K3（Agentic 50.1）是国产多模态 Agent 最佳选择，注意当前购买渠道受限

成本优先 / 高频调用

  • DeepSeek V4 Flash 0731：Intelligence 50 + Agentic 45.7，约 \$0.03/任务，性价比全榜最高
  • GPT-5.6 Luna：Intelligence 51，约 \$0.05/任务，OpenAI 生态下的成本友好选择
  • DeepSeek V4 Pro：Intelligence 44 + Agentic 36.4，约 \$0.05/任务，开源+按量的均衡选项。待正式版发布后可关注定价与能力变化。

国产均衡优先

  • Qwen3.8 Max：Agentic 第一，纯文本场景下的国产首选
  • Kimi K3：综合能力最强，但购买渠道受限，建议通过第三方平台使用
  • GLM-5.2：稳定均衡，生态覆盖广，适合企业级代码与 Agent 场景

多模态需求

  • MiniMax-M3：文本+图像+视频，国产中多模态覆盖最广，套餐额度相对宽松，可通过 MiniMax 订阅
  • Kimi K3：支持多模态但价格较高，且购买渠道受限，谨慎选择

七、本期变化总结

  1. Claude Opus 5 以 Intelligence 61 登顶，同时 Agentic 55.3 居第二；Anthropic 全面确立新旗舰
  2. Qwen3.8 Max Agentic 55.4 首次让国产型号登顶 Agentic 榜首
  3. GPT-5.6 Sol / Terra / Luna 全线替代上代 GPT-5.4，三个档位覆盖从高性能到超低成本
  4. Kimi K3 国产 Intelligence 57 最高，Agentic 50.1 国产第二
  5. DeepSeek V4 Flash 0731 以 +10 / +14.6 的双项大幅提升全面超越 0420 旧版

注意 1. Agentic 指数升级口径（GDPval-AA v2 + τ³-Banking），本期绝对分与 6 月不可直接比较 2. 本期不列 Coding Index；Intelligence Index 已综合含 Terminal-Bench v2.1（代码相关能力）在内的 9 项评测

原文：https://vibecoding.dreamfree.space

数据来源 https://vibecoding.dreamfree.space
原文链接 https://vibecoding.dreamfree.space/articles/model_comparisons/20260806/