总榜第一不等于最划算:Intelligence Index v5 换代后,模型选型要算的三笔账

作者:深蓝AI日期:2026/10/30

一个模型拿了总榜第一,落到你的账单上却未必便宜。2026 年 10 月 29 日,Artificial Analysis 公布 Gemini 4 Carbon 登顶 Intelligence Index v5,得分 59。同一份报告里还写着另一个数字:它每个任务的成本是 7.76 美元,比 Claude Opus 5.5 便宜约 23%,却比 GPT-6 Astra 贵出约两成。第一名、最便宜、最适合你,是三件不同的事。

真正值得抄的不是结论,而是这份报告拆指标的思路。它把一次模型选型拆成三条线:能力分够不够、每任务烧多少钱、可用性到不到位。下面按这三条线走一遍,顺手把可以落进代码的部分写成脚本。

一、榜单换了尺子,59 分和旧榜的 59 分不是一回事

Intelligence Index v5 是一次换代,不是小版本更新。Carbon 的 59 分是在九项评测上加权出来的,它在其中四项拿到第一:HLE-Diamond 考复杂推理,Terminal-Bench-Science 考科学场景下的终端操作,AA-Omniscience 考知识边界与幻觉控制,AutomationBench-AA 考自动化任务。

这份报告最诚实的地方在于它同时说了 Carbon 没赢的地方。报告原文写得很直白,Carbon 在编程和知识工作上都有明显进步,但并没有领先。这意味着一件事:如果你的场景是写代码,59 分这个总分的说服力要打折,得去看分项。

还有个更隐蔽的坑。同一批模型的旧分数不能直接跨版本比较。指数换了评测集和权重,上一代 58 分和这一代 58 分代表的水平并不相同。团队内部如果还留着半年前那张对比截图,结论很可能已经过期。榜单的价值在于当下的相对位置,不在于历史曲线。

二、九项评测里,只有一两项对得上你手里的活

把评测项和你手上的任务对齐,比记总分有用得多。Carbon 领先的四项,翻译成工程语言大致是这样。

评测项衡量什么你什么时候该看它
HLE-Diamond高难度跨学科推理做复杂问题分解、长链条排查
Terminal-Bench-Science科学任务下的终端操作让 Agent 跑命令、改环境、复现实验
AA-Omniscience知识覆盖面与拒答边界面向用户回答,错误成本高的场景
AutomationBench-AA端到端自动化任务完成度批量流程、审批、填单类工作
AA-Briefcase知识工作产出质量报告、演示、分析类交付
Coding Agent Index编程 Agent 端到端成功率改仓库、跑测试、提 PR

Coding Agent Index 这一栏值得单独说。Carbon 配合 Antigravity CLI 拿到 59 分,比 Claude Code 配 Claude Opus 5.5 的 62 分只差 3 分。分项上它排第二:Terminal-Bench 4.0 拿到 64%,FrontierCode v1.1 拿到 51%,两项都落后于 Opus 5.5 的 56%。Google 在这个方向历史上一直偏弱,这次的追赶幅度确实明显,但差距没有消失。

知识工作上也是同一套读法。Carbon 在 AA-Briefcase 拿到 1609 Elo,比上一代 Argon 的 1483 高出 126 分,进步集中在演示环节,单项涨了 293 Elo 到 1598,分析质量涨了 120 分到 1671。但它仍然排在 Grok 4.7 的 1638、Muse Wonder 的 1659、Kimi K3.1 Pro 的 1678 之后。如果你的活是给客户出方案,这一栏比总分重要。

分项对齐这件事没有捷径,只能拿你自己的历史任务去套。把过去一个月的真实请求按类型打标,再看每类任务落在哪一项评测上,通常二十条样本就够看出方向。没有样本就凭总分投票,等于把选型的责任交给了榜单编辑。

三、准确率、幻觉率、每任务成本必须一起看

Carbon 在 AA-Omniscience v1.1 拿到 54 分,比 Claude Opus 5.5 的 48 分高 6 分,比 Argon 的 46 分高 8 分。准确率从 Argon 的 48% 涨到 58%,涨了 10 个百分点。

与此同时它的幻觉率从 4% 涨到 11%。单看这条会觉得退步了,放到同类里看才清楚:报告明确指出这仍是所有模型里第二低的水平,只比自家 Argon 高,而 Claude Opus 5.5 和 GPT-6 Astra 两家的幻觉率都是 50%。

这个对比暴露了一个常见误读。很多团队把幻觉率当绝对值看,看到从 4% 变 11% 就判定模型变差。真正该算的是错误成本。50% 的幻觉率意味着每两次回答就有一次在编,这个量级在客服、配置修改、法务摘要这类场景里根本不能用,哪怕它的语气更自信。11% 则需要配上校验环节,比如让检索结果回填引用、让关键数字来自可核验来源。

成本那一栏更容易被忽略。Carbon 每个任务的标准价是 7.76 美元,Opus 5.5 是 10.04 美元,GPT-6 Astra 是 6.25 美元。看起来 Carbon 比 Astra 贵,但报告给了一个解释:Carbon 每个任务只用 123k 输出 token,比 Opus 5.5 的 173k 少 29%。贵和便宜不能只看单价,得看完成同一个任务要吐多少字。

这三条放在一起看,评测分数的含义就清晰了:总分说明能力上限,幻觉率说明风险下限,每任务成本说明可行性。任何一项不达标,另外两项再漂亮也不该进生产。采购讨论里最常见的错误,是拿上限去论证可行性。

四、把官方价目表换算成你自己的单位成本

官方标价是 4 美元每百万输入 token、20 美元每百万输出 token,和上一代 Argon 的标准价一致,另外还有一个 50% 的上线折扣,报告明确说这个折扣没有确定的结束日期。缓存命中的输入打 5% 折扣,折算下来是每百万 0.20 美元。

这三个数足够反推一个任务到底花多少。下面这段脚本按任务画像估算单次成本,输入侧拆出缓存命中比例,输出侧按你自己实测的 token 数填。跑通之后你会得到一张自己的价目表,而不是抄报告里的数字。

1PRICE_IN = 4.0 / 1_000_000
2PRICE_OUT = 20.0 / 1_000_000
3PRICE_CACHE = 0.20 / 1_000_000
4
5def task_cost(prompt_tokens, output_tokens, cache_ratio=0.0, retries=1.0):
6    cached = prompt_tokens * cache_ratio
7    fresh = prompt_tokens - cached
8    per_call = fresh * PRICE_IN + cached * PRICE_CACHE + output_tokens * PRICE_OUT
9    return per_call * retries
10
11def compare(profiles):
12    rows = []
13    for name, p in profiles.items():
14        cost = task_cost(p["prompt"], p["output"], p.get("cache", 0.0), p.get("retries", 1.0))
15        rows.append((name, round(cost, 4)))
16    rows.sort(key=lambda r: r[1])
17    for name, cost in rows:
18        print(f"{name:24s} {cost:>8.4f} USD/task")
19
20profiles = {
21    "gemini-4-carbon": {"prompt": 90_000, "output": 123_000, "cache": 0.7, "retries": 1.1},
22    "claude-opus-5.5": {"prompt": 90_000, "output": 173_000, "cache": 0.7, "retries": 1.2},
23    "gpt-6-astra":     {"prompt": 90_000, "output": 95_000,  "cache": 0.5, "retries": 1.6},
24}
25
26compare(profiles)
27

脚本里 retries 那一栏是很多人漏掉的一环。模型失败一次就得重试,重试的输入通常还得带上前一轮的上下文,真实成本会偏离标价。上面 Astra 的 retries 给到 1.6,是因为低幻觉率缺失时,人工复核和重跑都会被算进单位成本。

跑出来的结果通常会颠覆直觉:单价最贵的那家,可能不是每任务最贵的。真正决定账单的是输出长度乘以失败率,而不是输入单价那几毛钱。

缓存那一项也值得专门抠一次。报告里缓存输入折扣到每百万 0.20 美元,相对 4 美元的标准价是 95% 的折扣。多轮对话和长系统提示的场景里,命中率从七成提到九成,省下来的钱往往比换一家模型更多。这类优化不改变任何能力指标,却是性价比最直接的一条路。

五、四个模型横向摆开

把报告里的数字放进一张表,方便直接对照。

关键指标Gemini 4 CarbonGemini 4 ArgonClaude Opus 5.5 maxGPT-6 Astra max
Intelligence Index v55950未披露未披露
每任务成本7.76 USD7.68 USD10.04 USD6.25 USD
每任务输出 token123k未披露173k未披露
AA-Omniscience 得分544648未披露
知识准确率58%48%未披露未披露
幻觉率11%4%50%50%

看这张表的方式是先把两处空白放一边,剩下的行里只有幻觉率这一项差距最大。一个 11% 对一个 50%,这不是优化空间,是场景准入线。

第二层看碳与氩的对比。同价,分数高 9 分,幻觉率高 7 个百分点。如果任务是给内部工程师查资料,多出来的幻觉可以用代码和日志当场证伪,选高分那版更划算。如果任务是给外部客户输出结论,低温的那版更稳。

第三层才是看价格标签。7.76 和 7.68 之间几乎没有区别,真正的差距发生在 Opus 的 10.04 上,而它换回来的是编程方向多出的那 3 分和 56% 对 51% 的分项优势。如果你的场景就是改仓库,这 30% 的溢价可能值得付。

六、能不能真的调到,是榜单不会写的指标

报告里有一句容易被忽略的话:Carbon 正在向部分用户灰度,尚未公开可用。前面那些分数,包括 59 分总分和 51% 的 FrontierCode 成绩,都是用高推理档位、配合特定 CLI 跑出来的。

这一条在 Hacker News 的讨论里被反复吐槽。有用户提到自己走 Pro 订阅用上一代 Argon,中等档位发五条消息就触发四小时冷却。还有人贴了自己的复现经验,说 Argon 在读取文件名后凭空编出一整段根本不存在的对话,内容离谱到像小说。同一天有人补了一句股价,说这轮发布之后股价跌了 13%。这些是用户视角和资本市场视角,不一定代表技术判断,但它们指向同一个现实:发布会和可用性是两件事。

这些讨论里还有一条更实用的信息。有人提到自己通过非官方客户端用上了上一代模型,并把它的修复效果和别家做了对比,结论是差别真实存在,但需要自己搭一层客户端才能拿到。这类折腾对小团队来说成本不低,因为它把维护负担从供应商转移到了自己身上。

对工程团队来说,这条应该变成一个明确的决策规则:不要基于一个你还调不到的模型做架构迁移。灰度模型适合放进评估池,按月重测一次;生产流量必须跑在已经稳定可用、有明确 SLA 和配额承诺的版本上。把评测分数当成采购依据没问题,把评测分数当成今天就能上线的依据就是事故。

七、把选型做成路由,而不是做成一次投票

选型投票的典型结局是团队吵一个月,收尾时统一选一家,然后在遇到瓶颈时无路可退。更耐用的做法是做路由,让请求按任务类型分派。

2026 年 7 月的 Copilot 更新里有一个可以参考的做法。Copilot CLI 上线了自动模型选择,简单查询不会占用复杂多步任务那份算力预算。同一批更新还给了会话级的 AI 额度上限,可以从 CLI 和 SDK 两侧配置。这两件事合起来就是一套最小可用的成本治理:路由负责把便宜的活交给便宜的模型,额度闸门负责兜住失控的长任务。

同月还有个信号值得记一笔,Kimi K2.7 Code 进了 Copilot 的模型选择器,是第一个可以在里面选的开源权重模型。开源权重意味着推理侧可以自建,单位成本和数据边界都能自己控。对预算敏感或者有合规要求的团队,这条路比再等一个灰度模型现实得多。

顺带一个必须提前排期的动作。GitHub Models 在 2026 年 7 月 30 日退役,六月份就已经停止接纳新客户。任何把业务流程挂在这个端点上、又没有做抽象层的系统,都会在退役当天被迫临时改代码。这也正好说明为什么路由层要抽象:换模型应该是改配置,不是改业务逻辑。

八、今天能做的四件事

第一件,把你能调到的模型列成一张表,只填三列:能不能调、每任务实测成本、失败率。三列齐了,选型会自己浮出来。

第二件,用上面的脚本把官方价目表换成自己的报价。输入 token 用真实日志统计,别用估算。缓存命中比例从账单里取,这一项经常被白送掉三成成本。

第三件,给每类任务定一条准入线。比如面向外部客户的输出必须低于 15% 幻觉率,编程类任务可以放宽,但必须带测试回填。准入线一旦写下来,模型换代时就不需要重新吵架。

第四件,把灰度模型丢进评估池,按月度重测,不要进生产。评估池不需要复杂的平台,一个能把任务重放、记录成本和失败率的脚本就够了,关键是让每次换代都有可比数据。分数会变,评测集也会变,今天的第一名三个月后可能连前十都进不去,而你的系统不该跟着榜单抖动。

排行榜解决的是信息不对称,不解决决策。Carbon 拿 59 分是真的,它每任务 7.76 美元也是真的,它现在多数人还调不到同样是真的。把这三句同时写进决策文档,选型才算是做完了。

1MODEL_POLICY = {
2    "cheap_qa":     {"model": "gemini-4-carbon", "max_output": 4_000,  "retry": 1},
3    "code_edit":    {"model": "claude-opus-5.5",  "max_output": 32_000, "retry": 2},
4    "client_report":{"model": "gemini-4-argon",   "max_output": 8_000,  "retry": 1},
5}
6
7def pick(task_type, budget_left):
8    rule = MODEL_POLICY[task_type]
9    if budget_left < rule["max_output"] * PRICE_OUT:
10        raise SystemExit("额度不足,拒绝下发高价任务: " + task_type)
11    return rule
12

这段策略表小到不值得叫架构,但它拦住的问题很实际:额度见底时,最贵的那个任务往往还在排队等着跑,而它恰好是最不该跑的那一个。


《总榜第一不等于最划算:Intelligence Index v5 换代后,模型选型要算的三笔账》 是转载文章,点击查看原文。


相关推荐


【Linux】自主 Shell
H.莓飛2026/10/22

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */ #content_views .toc, /* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */ #content_views.markdown_views > p:empty:has(+ .toc), #content_views.markdown_views > .toc + p:emp


分布式唯一 性ID生成方法
一只小猪妖2026/10/17

分布式唯一 ID 背景 日常开发中,我们需要对系统中的各种数据使用 ID 唯一表示。 比如用户 ID 对应且仅对应一个人,商品 ID 对应且仅对应一件商品,订单 ID 对应且仅对应一个订单。我们现实生活中也有各种 ID,比如身份证 ID 对应且仅对应一个人。简单来说,ID 就是数据的唯一标识。 一般情况下,会使用数据库的自增主键作为数据 ID。但在大数据量场景下,往往会引入分布式、分库分表等手段来应对。很明显,对数据分库分表后我们依然需要有一个唯一 ID 来标识一条数据或消息,数据库的自增 ID


当 Build in Public 重新转入地下 -- 肘子的 Swift 周报 #157
东坡肘子2026/10/13

当 Build in Public 重新转入地下 过去一段时间,社区里频繁出现用 AI 快速逆向商业产品或像素级复刻热门应用的案例。只要 Token 充足,搭建一个免费的“影子版本”似乎已不再是难事。 与此同时,许多坚持“公开构建”(Build in Public)的独立开发者也遭遇了新的挑战:原创产品尚在打磨之中,一些仿制者仅凭作者在社交媒体上披露的设计截图和思路,便借助 AI 抢先一步上线了“克隆品”。有的源于技术探索与好奇,有的只是想展示 AI 工具的生产力,但也不乏投机取巧的捷径心态。


Linux 网络编程基础:网络分类、分层模型与数据封装
一条破秋裤2026/10/4

Linux 网络编程基础:网络分类、分层模型与数据封装 课程:尚硅谷《嵌入式 Linux 应用层开发》第 6 章 Socket 编程 依据:2026-09-29 20:21 录音转写;课程 PDF 第 244—254 页。 本节边界:这是 Socket 编程的理论入口,暂未讲 socket()、bind()、listen()、connect() 等代码接口。 1. 本节在网络编程路线中的位置 录音首先说明:计算机网络范围很大,本课程不会完整讲完所有网络技术,而是先建立后续 Soc


兰亭妙微UI设计公司分享:Fintora AI智能金融操作系统UI/UX设计深度解析
兰亭妙微UI设计公司2026/9/27

北京兰亭妙微 UI 设计公司,成立 16 年来,始终保持着对国内外优秀设计作品的学习与研究。我们持续追踪全球前沿的 UI/UX 设计趋势,从中提炼可落地的设计方法论,分享给同样热爱设计的你。 导读 从语音交互、多维卡片管理到智能分析仪表盘,构建以AI为核心的现代金融体验闭环。本文不止评价画面风格,而是从产品目标、信息组织、行为路径、视觉语义和落地风险五个层面拆解这套方案。 一、产品定位:先回答系统替谁解决什么问题 Fintora并没有把自己仅仅定位为一款传统的记账工具或简单的银


一套审批流要写多少代码:13 个框架的接入 diff 我数了一遍,最少 422 行,最多 1798 行
mldong2026/9/20

问"加一套审批流要写多少代码",很少有人能给出可信答案。原因不是大家懒得算,而是这句问话里其实混着三件事:给现有项目接一个现成引擎、从零做一套带审批的后台、自己造一个引擎。这三档的工期差两个数量级,却被同一句话压在一起。 这次我把第一档的数拿实了:jeeflow 已经在 13 个框架上各接入过一次,每一层的 diff 都还在 git 里。我把它们一个一个数了一遍,包括我自己数错的两次。 一、先交代我数错的两次 第一轮,我用集成壳里留着的 master 引用取合并基线。结果 NestJS 报出


我做了一个 Chrome 扩展,把 YouTube 播放列表批量变成 AI 可读的本地 Markdown
嘉琪coder2026/9/12

现在的 AI 已经很擅长总结、分类和问答,但在真正使用它整理知识时,我经常卡在更前面的一步: 怎样把散落在视频里的内容,变成 AI 可以稳定读取的资料? 我平时会在 YouTube 上看课程、访谈和播客。看完时觉得收获很多,过一段时间想找其中一个观点,却只能重新打开视频、拖动进度条。 如果是一套几十集的课程或一个持续更新的频道,逐个打开视频、复制字幕、创建文件,光是准备资料就足以让人放弃。 所以我做了 Transcriptly。 它是一款免费、开源的 Chrome 扩展,可以把 YouTube


流程图上没画人,单子却走对了:工作流引擎内置处理人解析器
mldong2026/9/4

一、流程图上没画人,单子却走对了 用流程设计器画一张最简单的请假审批流:开始 → 部门领导审批 → 结束,三个节点两条线。 画完之后你检查一遍这张图:节点上没有任何人的名字。没有"张三",没有"李四",连"审批人"三个字都是你自己写的节点显示名。从图上看,这张流程不知道该把单子交给谁。 然后你发起了一笔请假。几秒后,你部门领导的待办列表里,多了这条单子。 它怎么知道该去找领导的? 你可能会说:节点名不是写着"部门领导审批"吗——但节点显示名只是个标签,引擎不会拿它去组织架构里搜人;就算你把节点改


Next.js 全栈笔记系统实战:RSC 组件架构、Redis 数据层与规范驱动开发
浮生望2026/8/27

摘要 以Next.js笔记系统为例,深入RSC异步组件直接查询Redis、Server/Client组件边界、BEM命名规范、路径别名及组件驱动开发流程,展示从需求分析到技术方案到组件拆分的全栈落地路径。 一个笔记系统的需求并不复杂:左侧笔记列表,右侧 Markdown 编辑预览,支持 CRUD 和搜索。但用 Next.js 全栈实现它,涉及的技术决策覆盖了 RSC 组件边界、数据层选型、组件拆分策略和项目结构规范——这些正是 Next.js 工程化的核心议题。 技术选型:为什么是 Redis


JavaScript实战技巧总结
阿橙的百宝箱2026/8/19

JavaScript实战技巧总结* 引言 JavaScript作为现代Web开发的基石,其灵活性和强大的功能使其成为开发者必备的技能之一。然而,随着ECMAScript标准的不断演进和前端生态的日益复杂,如何高效、优雅地编写JavaScript代码成为开发者面临的重要课题。本文将从实际出发,总结一系列经过实战检验的JavaScript技巧,涵盖性能优化、代码简洁性、异步处理、模块化等多个关键领域,帮助开发者提升代码质量和开发效率。 一、性能优化技巧 1. 减少DOM操作 DOM操作是Java

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读