👁 969 次阅读
2026 年 7 月至 8 月, AI 行业连续四声惊雷。OpenAI 在 7 月 9 日推出旗舰 GPT-5.6 Sol, Anthropic 紧随其后在 7 月 24 日上线 Claude Opus 5, 国内月之暗面在 7 月 15 日发布 2.8 万亿参数的开源旗舰 Kimi K3, 而 Google 的 Gemini 3.1 Pro 在 2 月上线后持续领跑基准榜单。截至 2026 年 8 月底, 四款模型同时进入成熟期, 但价格、能力与适用场景已经出现清晰的差异化。
本文基于近一个月的实战使用与第三方基准数据, 从架构、性能、成本、真实使用体验四个维度对四款模型做横向评测, 并给出不同用户场景下的选型建议。所有内容基于 web_search 检索的官方定价页与公开评测, 所有关键数据均可追溯到来源页面。
一、四款旗舰模型的市场格局
2026 年二季度, AI 旗舰模型市场进入激烈交锋。OpenAI 用 GPT-5.6 Sol 守住旗舰定位, 定价保持 $5/$30 per MTok 的稳定费率; Anthropic 则在两个月内连发 Claude Fable 5、Mythos 5、Sonnet 5、Opus 5 四款模型, Opus 5 承担日常高性能主力角色; Google 以 Gemini 3.1 Pro 主打性价比, 定价仅 $2/$12 per MTok, 却把 ARC-AGI-2 从 31.1% 直接拉到 77.1%; 国内月之暗面用 K3 开源权重打出差异化, 2.8 万亿参数、896 个专家、16 个激活的 Mixture-of-Experts 架构, 在多个编程基准上拿下开源模型第一名。
更值得关注的是 July 30 的价格变动: OpenAI 将 Sol 以下的 Terra 降价 20% 至 $2/$12, Luna 大幅降至 $0.20/$1.20, 把 GPT-5.6 家族的价差拉开到极致。Claude 的 Sonnet 5 首发期优惠价 $2/$10 per MTok, Anthropic 官方随后宣布原价计划取消, 现价维持不变。Google 则把 Gemini 3 系列拆成 Pro、Flash、Flash-Lite 三档, 最高到最低价差接近 40 倍。这种极端分层, 标志着 AI 从”拼参数规模”进入”按场景按质分级”的新阶段。
二、Claude Opus 5：代理编程的当前王座
Claude Opus 5 由 Anthropic 于 2026 年 7 月 24 日发布, 是继 Fable 5 之后的第四款当季新模型。Anthropic 把 Opus 5 定位为”日常高性能主力”: 在接近 Fable 5 前沿智能水平的同时, 输入价格仅为 Fable 5 的一半。Opus 5 的 API 模型 ID 为 claude-opus-5, 支持 1M tokens 上下文窗口、128K 最大输出 (Batch API 可达 300K), 知识截止日期为 2026 年 5 月——是所有 Claude 模型中最新的。
定价采用与 Opus 4.8 相同的 $5/$25 per MTok 费率, 并新增 fast mode: 在 2 倍价格 ($10/$50 per MTok) 下速度提升约 2.5 倍, 适合对延迟敏感但又不愿牺牲全部推理深度的场景。同时, Opus 5 支持 per-request 的 low/medium/high 三档 Effort 设置, 让调用方按任务难度调节推理算力, 这是 OpenAI 和 Google 目前尚未完整提供的成本控制手段。
在基准数据上, Opus 5 表现亮眼: Frontier-Bench v0.1 编程代理测试 43.3%, 是前代 Opus 4.8 的两倍以上, 也把 GPT-5.6 Sol 的 34.4% 甩开约 26% 的相对差距; SWE-Bench Verified 达到 79.2%, 在 Claude 家族中仅次于 Mythos 5 的 80.3% 与 Fable 5 的 80.0%; GDPval-AA v2 知识工作 Elo 1861, 大幅领先 GPT-5.6 Sol 的 1736 和 Kimi K3 的 1686; ARC-AGI-3 新颖推理 30.2%, 是 GPT-5.6 Sol 的 7.8% 的近 4 倍。
在 CursorBench 3.2 上, Opus 5 在 max effort 模式下的得分与 Fable 5 峰值仅差 0.5 分, 而单次任务成本约为 Fable 5 的一半; 在 OSWorld 2.0 电脑操作任务上, Opus 5 甚至超过 Fable 5 峰值约三分之一预算。这些数字共同指向一个事实: Opus 5 已经是目前面向生产环境编程代理场景的最优平衡点之一。
真实使用感受: 在需要模型自主规划、调工具、写代码、再自验证的长程任务中, Opus 5 的稳定性明显高于同价位竞品。Anthropic 官方文档中提到 Opus 5 具备更强的”自我验证”能力, 会主动迭代直至成功, 减少用户对任务的反复提示。不过, 自适应推理开启时速度相对慢, 高频交互式任务建议启用 fast mode。
三、GPT-5.6 Sol：OpenAI 的稳定旗舰与生态红利
GPT-5.6 Sol 于 2026 年 7 月 9 日进入 GA, 是 OpenAI GPT-5.6 家族的旗舰档。与 Claude Opus 5 相同, Sol 主打复杂推理、编程与多步 agent 工作流, 但 OpenAI 走的是”稳定旗舰 + 生态覆盖”路线: Sol 支持 PDF、图片、文本混合输入, 上下文窗口 1.05M tokens, 最大输出 128K tokens, 知识截止日期 2026 年 2 月。
定价上 Sol 维持 GA 时的 $5/$30 per MTok, 缓存输入读 90% 折扣 ($0.50/M), 缓存写入 1.25 倍费率 ($6.25/M), 超过 272K 输入时触发长上下文加价, 输入与输出费率分别翻倍至 $10/$45。值得注意的是, 2026 年 7 月 30 日 OpenAI 将 Sol 以下两个档位大幅降价——Terra 至 $2/$12 (降 20%), Luna 至 $0.20/$1.20 (降 80%)——而 Sol 自身价格没动。这意味着, 对于非旗舰级任务, 用 Terra 或 Luna 的性价比已经远超继续跑 Sol。
在基准测试中, Sol 在 Frontier-Bench v0.1 上得分 34.4%, GDPval-AA v2 知识工作 Elo 1736, BrowseComp 90.4, 推理速度达 50-70 tokens/秒, 是四款模型中最快的一档。Sol 的优势不在绝对峰值分数, 而在于 OpenAI 生态的深度集成: ChatGPT、Codex、GPTs、Assistants API、Deep Research 等工具链都能直接调度 Sol。同时 Sol 由 Cerebras 部署时可达 750 tokens/秒, 在速度敏感场景下优势明显。
真实使用感受: Sol 在结构化任务、多语言翻译、长文档总结等”规整”任务中表现非常稳定, 很少出现幻觉式输出。但在面对需要跨步骤自主判断、探索性推理的任务时, Sol 与 Opus 5 的差距就显现出来——ARC-AGI-3 上 7.8% vs 30.2% 的巨大差异就是一个缩影。不过, 如果你的团队已经在 OpenAI 生态里深度投入, Sol 的迁移成本优势不容忽视。
四、Gemini 3.1 Pro：性价比之王与 Google 生态
Gemini 3.1 Pro 是 Google DeepMind 在 2026 年 2 月 19 日发布的旗舰, 也是 Google 首次在同代模型内做 0.1 级小版本升级。它继承了 3 Pro 的 1M tokens 上下文窗口与 $2/$12 per MTok 定价, 却在多个关键基准上实现跨越式提升: ARC-AGI-2 从 31.1% 跃升至 77.1%, 是上一代 3 Pro 的 2.5 倍, 也超过 Claude Opus 4.6; SWE-Bench Verified 80.6%, 与 Fable 5 基本持平; GPQA Diamond 94.3%; LiveCodeBench Pro 2887 Elo, 大幅领先 GPT-5.2 的 2393 与 Gemini 3 Pro 的 2439。
超过 200K 输入的长上下文, 输入与输出费率分别上涨至 $4/$18; 缓存命中时仅 $0.50/M; 最大输出 64K tokens。Gemini 3.1 Pro 同样提供 Low/Medium/High 三档 thinking 模式, 用于平衡速度与成本。
性价比是 Gemini 3.1 Pro 最大的卖点: 据 Artificial Analysis 测算, 跑完同一套基准测试, Gemini 3.1 Pro 约 $892, 而 Claude Opus 4.6 需 $1800+, 差距接近 2 倍。在 ARC-AGI-2 这样的”新颖推理”任务上, 3.1 Pro 几乎以十分之一的价格逼近或超过顶级模型。Google 生态层面, 3.1 Pro 与 Vertex AI、AI Studio、AntiGravity IDE、NotebookLM、Android Studio 等深度集成, Google AI Pro 订阅 ($19.99/月) 也直接包含 3.1 Pro 的使用权限。
真实使用感受: 3.1 Pro 在”思考深度 / 价格” 比上是目前最突出的。如果你的工作负载主要落在文档理解、数学与科学推理、结构化问答, 且对实时性要求不是最顶级, 3.1 Pro 是当前性价比最高的旗舰选择。不过它的最大输出仅为 64K, 在需要超长代码生成或长文档重写时, 需要注意输出限制。
五、Kimi K3：开源旗舰与国产突破
Kimi K3 由月之暗面于 2026 年 7 月 15 日发布, 7 月 27 日开源权重, 是 12 个月内月之暗面发布的第四代开源旗舰 (K2 → K2.5 → K2.6 → K3), 参数量一路扩大至 2.8 万亿, 是 DeepSeek V4 Pro 的约 3 倍、多数 GPT 级模型的 10 倍。
K3 采用稀疏 Mixture-of-Experts 架构: 896 个专家中每 token 只激活 16 个, 配合 93 层深度与 7168 隐藏维度, 理论参数规模与激活计算量之间形成了显著解耦——实际推理成本接近一个 50-80B 稠密模型, 却保有 2.8T 参数的知识容量。
架构创新是 K3 的核心故事。KDA (Kimi Delta Attention) 用循环式线性注意力替代部分 full attention, 让 1M tokens 上下文无需海量 KV cache; AttnRes (Attention Residuals) 引入跨层记忆通道, 让深层能直接回溯早期层表示, 缓解超长序列的信息衰减; Stable LatentMoE 框架则把 K3 的整体缩放效率相比 K2 提升约 2.5 倍。
在编程相关基准上, K3 表现抢眼: Frontend Code Arena 1679 Elo (第一, 超过 Fable 5 的 1631 与 GPT-5.6 Sol 的 1618); FrontierSWE 81.2, 大幅领先 Opus 4.8 的 66.7; BrowseComp 91.2, 超过 GPT-5.6 Sol 的 90.4; OmniDocBench 91.1。GDPval-AA v2 综合知识工作 Elo 1686, 排在 Fable 5 (1747)、GPT-5.6 Sol (1736) 之后, 但优于 Opus 4.8 (1593)。
Kimi API 定价为 $3/$12 per MTok, 处于 Gemini 3.1 Pro 与 Claude Opus 5 之间。据第三方实测, 48 小时连续开发测试中, K3 的 API 总花费约 $8.50, 而用 Fable 5 跑同等工作负载估计需 $40-50。不过, K3 的推理速度是当前主要短板: 实测 15-25 tokens/秒, 相比 Fable 5 (40-60 t/s) 与 GPT-5.6 Sol (50-70 t/s) 明显偏慢, 在迭代开发时会打断心流。此外, Code Arena 上的 #1 排名当前仍带”初步”标记, 投票量尚不及 Fable 5 与 Sol, 结论需要在更多数据积累后再下定论。
值得注意的行业信号: 旧金山法律 AI 公司 Harvey 已基于 K3 构建内部模型 Harvey Tenet, 公开声明放弃此前使用的 Anthropic、OpenAI 等美国闭源模型。这标志着在开发成本飙升背景下, 西方科技公司开始正视中国开源权重的竞争力。月之暗面据报年经常性收入已突破 3 亿美元, K3 的发布进一步强化了其开源权重战略。
六、四款模型的规格与基准测试总览
下表汇总四款旗舰在规格层面的关键差异, 便于快速横向比较。
| 维度 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.1 Pro | Kimi K3 |
|---|---|---|---|---|
| 发布日期 | 2026-07-24 | 2026-07-09 | 2026-02-19 | 2026-07-15 |
| 上下文窗口 | 1M tokens | 1.05M tokens | 1M tokens | 1M tokens |
| 输入 / 输出 (短上下文) | $5 / $25 per MTok | $5 / $30 per MTok | $2 / $12 per MTok | $3 / $12 per MTok |
| 长上下文加价 | 未公开加价 | >272K: $10 / $45 | >200K: $4 / $18 | 未公开加价 |
| 最大输出 | 128K (Batch 300K) | 128K tokens | 64K tokens | 32K tokens |
| 知识截止日期 | 2026年5月 | 2026年2月 | 更新中 | 2026年6月 |
| 推理模式 | 自适应 + Effort 档位 | Standard / Thinking | Low/Med/High 三档 | Reasoning effort 可调 |
| 开源权重 | 否 | 否 | 否 | 是 (2026-07-27 开源) |
| 架构亮点 | 自适应推理 + 强对齐 | 自研推理内核 | Thinking 效率提升 | KDA + AttnRes + 896专家MoE |
下表汇总主要基准测试结果。需要说明的是, 不同基准在不同时间由不同评测方发布, 部分测试在四款模型之间并非完全可比, 阅读时建议以”同基准横向”为准。
| 基准测试 | Claude Opus 5 | GPT-5.6 Sol | Gemini 3.1 Pro | Kimi K3 |
|---|---|---|---|---|
| Frontier-Bench v0.1 (编程代理) | 43.3% | 34.4% | — | — |
| SWE-Bench Verified (真实仓库) | 79.2% | — | 80.6% | — |
| FrontierSWE | — | — | — | 81.2 |
| BrowseComp (网页操作) | — | 90.4 | — | 91.2 |
| GDPval-AA v2 (知识工作 Elo) | 1861 | 1736 | — | 1686 |
| LiveCodeBench Pro (Elo) | — | — | 2887 | — |
| ARC-AGI-2 / ARC-AGI-3 (新颖推理) | 30.2% (AGI-3) | 7.8% (AGI-3) | 77.1% (AGI-2) | — |
| Code Arena (前端编码 Elo) | — | — | — | 1679 |
| 推理速度 (tokens/s) | 中 (自适应推理占用) | 50–70 | 中 | 15–25 (偏慢) |
七、成本与任务预算对比
以一段典型的中等复杂度任务为例——输入 100K tokens、输出 20K tokens, 各模型的短上下文 API 成本估算:
Claude Opus 5: 100K × $5 + 20K × $25 = $500 + $500 = $1000 per 百万 tokens ≈ $10; 启用 fast mode 后翻倍至 $20。
GPT-5.6 Sol: 100K × $5 + 20K × $30 = $500 + $600 = $1100 ≈ $11; 若换用 Terra 则降为 $2×100 + $12×20 = $440 ≈ $4.4, 降幅 60%。
Gemini 3.1 Pro: 100K × $2 + 20K × $12 = $200 + $240 = $440 ≈ $4.4; 若换用 Gemini 3.1 Flash-Lite 则仅约 $1。
Kimi K3: 100K × $3 + 20K × $12 = $300 + $240 = $540 ≈ $5.4。
结论一目了然: 单任务成本上, Gemini 3.1 Pro 是最经济的旗舰, Kimi K3 紧随其后, Opus 5 与 Sol 处于相近区间。但请注意, Sol 的 Terra/Luna 与 Gemini 的 Flash 系列都提供明显的降价选项, 实际支出高度依赖任务分级与路由策略。
八、场景化选型建议
1. 生产级编程代理 / 多步 Agent 工作流: 首选 Claude Opus 5。Frontier-Bench 43.3%、SWE-Bench Verified 79.2%、CursorBench 与 Fable 5 接近, 且自带 Effort 档位可用于成本控制。预算紧张时可路由到 Sonnet 5 ($2/$10 现价)。
2. 团队已深度绑定 OpenAI 生态: GPT-5.6 Sol 是默认选项, 但建议把日常任务降级到 Terra ($2/$12), 只在真正需要时路由 Sol。Luna ($0.20/$1.20) 适合批量文本处理与分类。
3. 高频调用、文档理解、科学推理、预算敏感: Gemini 3.1 Pro 是当前性价比之王。$2/$12 的价格下就能拿到 ARC-AGI-2 77.1%、SWE-Bench 80.6% 的水准。结合 Google 生态 (Vertex AI、NotebookLM、Google AI Pro 订阅 $19.99/月) 是天然选择。
4. 需要开源权重、数据驻留合规、国产化替代: Kimi K3 是唯一开源选项。2.8T 参数、KDA + AttnRes 架构在编程任务上表现突出, Code Arena 1679、FrontierSWE 81.2、BrowseComp 91.2 均为顶尖。代价是推理速度偏慢, 需要为长任务预留等待时间。
5. 多语言 / 跨境业务: 推荐 Opus 5 (Anthropic 的多语言能力成熟) 或 Sol (OpenAI 生态全球部署最完善)。Gemini 3.1 Pro 在中文与亚太语言上也有不错表现, 可以作为补充路由。
九、总结与展望
四款模型已经形成清晰的差异化分工: Claude Opus 5 是编程代理与长程任务的首选, GPT-5.6 Sol 胜在生态稳定与速度, Gemini 3.1 Pro 以极低价格提供接近顶尖的能力, Kimi K3 则用开源权重打开了数据主权与国产化替代的空间。
2026 年 AI 市场的核心叙事已经从”谁的模型最聪明”转向”谁在合适的场景用合适的价格提供最聪明的模型”。Opus 5 的 Effort 档位、GPT-5.6 的 Sol/Terra/Luna 三档、Gemini 3 系列的 Pro/Flash/Lite 三档, 都在同一方向上收敛。对用户而言, 最实用的策略不是挑一个模型一劳永逸, 而是建立”任务-模型-价格”的动态路由: 简单任务走低价档, 复杂推理才升级到旗舰, 让每一分 tokens 都花在刀刃上。
下一个值得关注的变量是 Claude Sonnet 5 的现价是否长期保持 $2/$10, 以及 OpenAI 是否会对 Sol 本身做出降价动作。如果两个动作同时发生, AI 旗舰层的成本曲线将进一步被压低。
最后, 模型能力的提升速度已经远快于企业落地能力。选型时, 请把「模型能力」与「团队落地能力、数据合规、运维成本」三者一起评估, 才能真正把前沿智能转化为业务价值。
数据来源：Anthropic Claude API 官方定价页 (2026-08-26 复核)、OpenAI developers.openai.com/api/docs/pricing (2026-08-03 复核)、Google Gemini Developer API 定价页、Kimi K3 技术报告 arXiv:2607.24653、Artificial Analysis (GDPval-AA v2, 2026-07-23)、Codersera、Coursiv、KimiGuide、Dev.to 等第三方评测 (2026-07/08)。所有价格与版本号均以上述来源页面为准。