本期覆盖 12 个主流模型 · 6 个能力维度 · 4 个评测基准体系 · 数据综合自 LLM-Stats / SuperCLUE / SWE-bench / GPQA / AIME 等
| # | 模型 | 厂商 | 综合分 | 一句话定位 |
|---|---|---|---|---|
| 🥇 | Claude Opus 4.8 | Anthropic | 67.9 | 推理 65.7 · 编程 52.3，已广泛发布模型中最强 |
| 🥇 | Claude Fable 5 | Anthropic | — | Mythos 公开安全版 · 能力介于 Mythos 与 Opus 之间 |
| 🥈 | GPT-5.5 | OpenAI | 63.1 | 最均衡的全能选手，综合力强 |
| 🥉 | Gemini 3.1 Pro | 56.4 | 多模态 & 长上下文之王，GPQA 94.3% | |
| 4 | GLM-5.2 | 智谱 AI | ~59 | 国产综合最强，开源可部署 |
| 5 | Grok 4.3 | xAI | 55.1 | 2M 上下文，GPQA 88.9%，硬推理强 |
| 6 | Qwen 3.7 Max | 阿里 | 54.6 | 最便宜的 Top10 模型，$1.25/M tok |
| 7 | DeepSeek V4-Pro | 深度求索 | 55.8 | 极致性价比，MIT 开源，1.6T MoE |
| 8 | Kimi K2.6 | 月之暗面 | ~57 | 开源综合最强，GPQA 90.5% |
| 9 | 腾讯混元 Hy3 | 腾讯 | — | 295B MoE，Agent 亮眼，输入仅 ¥1/M |
| 10 | 豆包 Seed 2.0 Pro | 字节跳动 | — | 多模态侧重，C 端日均 120 万亿 token |
| 赛道 | 🥇 冠军 | 得分 | 🥈 亚军 | 🥉 季军 |
|---|---|---|---|---|
| SWE-bench Verified真实工程修复 | Gemini 3.1 Pro | 78.8% | GLM-5.2 (77.2%) | Claude Opus 4.8 (76.4%) |
| SWE-bench Multilingual多语言工程 | Claude Opus 4.8 | 84.4% | GLM-5.2 (83.0%) | — |
| SWE-bench Pro复杂工程 | Claude Opus 4.8 | 69.2% | GLM-5.2 (62.1%) | 腾讯 Hy3 (57.9%) |
| Agentic 开发端到端任务 | Claude Sonnet 4.6 | 0.748 | Opus 4.6 (0.729) | Opus 4.7 (0.718) |
| HumanEval Pass@1函数级代码 | GPT-5.5 | 92.1% | Claude 4.6 (87.2%) | DeepSeek V4 (85.6%) |
| Codeforces Elo竞赛编程 | DeepSeek V4-Pro | 3206 | 竞赛编程特化型选手 | |
| Terminal-Bench 2.0终端 Agent | GPT-5.5 | 82.7% | Qwen 3.6 Max | — |
编程赛道是今年竞争最白热化的领域，目前出现了一个有趣的分化：没有单一模型通吃所有编程场景。Gemini 3.1 Pro 在 SWE-bench Verified（真实工程修复）上以 78.8% 领先，但 Claude Opus 4.8 在多语言和复杂工程维度反超——这反映的是评测场景的差异，而非绝对能力高低。
值得关注的是 DeepSeek V4-Pro 的 Codeforces Elo 3206，这个分数在人类竞赛选手中也是顶尖水平，说明 MoE 架构在算法类任务上有独特优势。而 Claude Sonnet 4.6 thinking 在 Agentic 开发上得分 0.748，表明带推理链的模型在端到端任务中明显更强——这可能是下半年的主流方向。
| 模型 | GPQA Diamond | MathArena Apex | AIME 2025/26 | 特点 |
|---|---|---|---|---|
| Claude Mythos Preview | 94.6% 🥇 | — | — | 受限研究预览 · 推理最高分 |
| GPT-5.5 | 93.5% | 85.4% 🥇 | 100% 🏆 | 数学推理断层领先 |
| Gemini 3.1 Pro | 94.3% | — | 100%* | *带代码执行 |
| Claude Opus 4.8 | 90%+ | — | — | 稳定优秀 |
| Grok 4.3 | 88.9% | — | — | 推理能力突飞猛进 |
| Kimi K2 Thinking | 90.5% | — | 99.1% | 国产数学最强 |
| DeepSeek V4-Pro | ~72% | — | MATH-500 96.8% | 竞赛级推理 |
| GLM-5.2 | 91.2% | — | — | 开源推理之王 |
| 腾讯混元 Hy3 | 90.4% | 38.7% | — | 数学是短板，但进步 +207% |
GPT-5.5 在数学上仍是无可争议的王者——AIME 满分、MathArena 第一，这个地位目前无人能撼动。但需要注意，Claude Mythos Preview（受限研究预览，未公开发售）在 GPQA Diamond（研究生级科学推理）上拿到 94.6%，比 GPT-5.5 还高 1.1 个百分点，说明"推理"的定义本身在分化：数学竞赛能力 ≠ 科学推理能力。
国产模型在推理上的进步值得关注：Kimi K2 Thinking 的 AIME 99.1% 几乎追上 GPT，GLM-5.2 的 GPQA 91.2% 也达到了国际一线水平。腾讯 Hy3 的 MathArena 从预览版的 12.8% 跃升到 38.7%（+207%），进步幅度最大但绝对值仍是短板。
一个趋势是"thinking"（推理链）版本普遍比标准版高 10-20%，这已经成为标配能力而非差异化优势。
| 赛道 | 🥇 冠军 | 特点 |
|---|---|---|
| 英文写作（自然度/风格） | Claude Opus 4.8 / Fable 5 | 长文档/专业写作公认最强，逻辑严谨，风格多样 |
| 英文写作（用户偏好评分） | Claude Opus 4.7 (thinking) | LMArena 文本榜前三，用户盲测偏好最高 |
| 中文写作（自然流畅度） | DeepSeek V4 | 中文理解和生成最优，综合 94.25% |
| 中文综合能力 | Qwen 3.7 Max | 多语言支持广度最强，中文生态完善 |
| 通用写作（稳健） | GPT-5.5 | 多语言均衡，生态最完善，可出图 |
| 创意 / 幽默写作 | Grok 4 | 实时资讯融入，风格独特有网感 |
| Agent 写作 / 结构化输出 | Claude Opus 4.8 | Constitutional AI，指令遵循最好 |
写作是主观性最强的评测维度，LMArena 的盲测偏好可能是最贴近真实体验的指标。目前 Claude 系在英文写作上仍然是最自然的选择，尤其在长文、技术写作和需要严谨逻辑的场景下优势明显。GPT-5.5 是最通用的多面手，而且它是唯一能直接出图的模型，在多模态创作场景中有独特价值。
中文方面，DeepSeek V4 的 94.25% 综合分是我认为最值得参考的数字——它既能理解中文的语境细节，生成时又不会"翻译腔"。Qwen 3.7 Max 在广度上更胜一筹，适合多语言混合场景。Grok 4 的实时知识融合能力在其他模型中找不到替代品，适合需要时效性的内容创作。
| 场景 | 🥇 最佳选择 | 原因 |
|---|---|---|
| 文本 → 图像生成 | GPT-5.5 | 唯一支持原生图像生成的大模型 |
| 视频理解 / 分析 | Gemini 3.1 Pro | 原生视频/音频/图像多模态最强 |
| 物理世界推理 (PhysToolBench) | GPT-5 / Grok 4 | 前两名，Grok 擅长高难度任务 |
| 视觉 Agent（看网页/操作 GUI） | Claude Opus 4.8 | 视觉 Agent 能力领先，1M 上下文 |
| 科学论文图表理解 | Gemini 3.1 Pro | EESE 科学推理并列最高 0.381 |
| C 端多模态交互 | 豆包 Seed 2.0 Pro | 日均 120 万亿 token，体验打磨最好 |
多模态是 2026 年差异化最明显的赛道。GPT-5.5 是唯一一个能"一句话出图"的大语言模型，这个能力在内容创作工作流中很实用——你不用再切到 Midjourney 或 DALL·E。Gemini 3.1 Pro 在原生多模态上无出其右，视频理解、科学图表识别都是独一档的存在。
值得留意的是 Claude Opus 4.8 的视觉 Agent 能力——它能"看"网页并操作 GUI，这是通往真正的 AI 助手的关键能力。豆包 Seed 2.0 Pro 在 C 端场景的规模效应不可忽视，日均 120 万亿 token 意味着它在真实用户体验上的打磨远超同行。
以下价格均为输出价格（百万 tokens），按成本从低到高排列。上下文窗口统一为 1M 量级已成为标配。
价格战已经打到"离谱"的程度。DeepSeek V4-Flash 只要 $0.07/M 输出 tokens，大概是 GPT-5.5 的 1/400。如果你做的是高吞吐量或者对成本敏感的业务，这已经不是一个需要纠结的决定——但要注意，便宜模型在复杂推理和长文写作上的差距仍然存在，需要结合场景权衡。
一个值得关注的趋势是 Grok 4 Fast：306 tok/s 的速度 + 2M 上下文 + $2.22 的价格，在"又快又长又不太贵"这个三角上平衡得很好。Claude Sonnet 4.6 速度达到 334 tok/s 是 Claude 家族中最快的，但 Opus 4.8 只有 52 tok/s——速度快慢不一定代表能力，但有实时交互需求的场景要留意这个差距。
如果只能选一句话总结 2026 年 7 月的模型选型策略，那就是："编程靠 Claude，数学找 GPT，多模态上 Gemini，省钱用 DeepSeek。" 但更精确的做法是按任务类型拆解——你的日常工作流中 80% 的时间花在哪种任务上，就选那个赛道最强的模型。
对于大多数 AI 从业者来说，同时订阅 2-3 个模型的服务是最实用的策略：一个主力模型（日常编程/写作），一个专长模型（数学/多模态按需切换），一个廉价模型（批量处理/实验）。固定只用一个大模型的"专一"时代已经过去了。
声明：所有数据均来自公开评测基准，评测分数受测试集、评测方法、模型版本等因素影响，仅供参考。不同评测体系的分数不可直接横向比较。编者每月更新时会注明数据截至时间。
7 月最值得关注的是 Anthropic 形成的三层产品体系：最顶层是 Claude Mythos Preview（受限研究预览，能力最强但仅限受邀机构），中间是 Claude Fable 5（Mythos 的公开安全版，加装安全分类器后对全体用户开放），基座是 Claude Opus 4.8（公开发售的旗舰主力，诚实性和可靠性最佳）。三层之间能力递进、定位清晰——这在当前模型厂商中是最完整的矩阵布局。
GPT-5.5 凭借均衡能力依然是"不知道选什么时的安全牌"。国产这边，GLM-5.2 在推理和编程上直追国际一线，DeepSeek V4-Pro 则以 55.8 的综合分做到了不到 GPT-5.5 1/30 的价格。
需要注意的是，综合分由多个异构基准加权得出，实际选型还是要看具体场景——没有一个模型在所有维度通吃。