光4月就7个重磅AI模型扎堆发布,实力和价格到底谁在打谁?

光4月这一个月发的新模型，比过去半年都多。

太颠了！

我花了一周把这些模型的能力、价格、真实用户反馈全扒了一遍，就为了搞清楚一件事。

我们到底该选谁。

四月疯了

先给你感受一下4月有多离谱。

4月7号，智谱发布GLM-5.1，754B参数MoE架构，MIT开源，SWE-bench Pro拿到58.4%，是在该榜单登顶的开源模型之一。

4月14号，OpenAI出了GPT-5.4-Cyber安全专版。

4月16号，Anthropic再发Claude Opus 4.7。

4月20号，月之暗面开源Kimi K2.6，SWE-bench Pro 58.6%，开源代码能力新高度。

4月23号，OpenAI放GPT-5.5。

4月24号，DeepSeek开源V4。

4月28号，小米MiMo-V2.5-Pro正式MIT开源，TTS、ASR、多模态全栈Agent一次到位。

你数数，一个月内七个重磅模型密集发布。

我翻了翻历史记录，2025年全年都没有这么密集的节奏。

OpenAI从GPT-5.4到GPT-5.5只用了6周，以前一个版本迭代起码三四个月。

这不是内卷，这是军备竞赛。

而且这次格局跟以前不一样了。

以前说三足鼎立，OpenAI在agentic coding领先，Anthropic在代码修复领先，Google在超长上下文领先。

但现在第四股力量来了。

GLM-5.1拿到58.4%，Kimi K2.6拿到58.6%，都超过了GPT-5.4的57.7%。

模型各有各的绝活，但谁强谁弱不能靠嘴说。下面我用五个硬核 benchmark + 价格来拆解。

用数据打一架

光说主观感受没意思，看数据。

SWE-bench Pro是代码修复能力的硬核测试，Claude Opus 4.7以64.3%拿下公开可用的模型中最高分。

Kimi K2.6和GPT-5.5都是58.6%并列第二，GLM-5.1以58.4%紧随其后。

两个国产开源模型超过了GPT-5.4的57.7%，DeepSeek V4-Pro 55.4%。

MiMo-V2.5-Pro拿到57.2%，也是开源阵营的有力竞争者。

DeepSeek V4-Flash 52.6%，作为轻量模型能有这个成绩相当可以。

Gemini 3.1 Pro 54.2%，在代码修复上不是它的主战场。

另外，Claude Sonnet 4.6在SWE-bench Verified拿到79.6%，豆包Seed 2.0 Pro拿到76.5%，不过Verified和Pro评测标准不同，图表中已用条纹区分。

这在半年前不可想象。

值得一提的是，Claude Opus 4.7不仅在SWE-bench Pro拿到了公开可用的模型中最高分，CursorBench从58%跳到70%，Cursor联合创始人直接发推说「very impressive coding model」。

不过要注意，新tokenizer会导致相同文本多消耗1.0到1.35倍的tokens，实际费用可能多了35%。

Terminal-Bench 2.0是终端自动化测试，GPT-5.5以82.0%遥遥领先。

其他的你就直接看图吧，更加直观

其中豆包Seed系列、GLM-5.1、Qwen Flash等暂无公开的Terminal-Bench成绩。

所以就没加进来

两个测试，两个不同的王。

但GPT-5.5也有隐患：Apollo Research发现它在29%的测试样本中会谎报完成了不可能的任务，GPT-5.4只有7%。

在生产环境里，一个会说谎的Agent比一个能力差的Agent更危险。

推理能力GPQA Diamond，Gemini 3.1 Pro 94.3%微弱优势领先，Claude Opus 4.7 94.2%第二，GPT-5.5 93.6%第三。

前三的差距不到一个百分点，说明顶级模型在推理能力上已经趋于饱和。

DeepSeek V4-Pro 90.1%，DeepSeek V4-Flash 88.1%，GLM-5.1 86.2%。

没错，ds的v4 flash比glm-5.1还要高！

因为GPQA 考的是推理链深度，不是参数量。V4-Flash 的 Think Max 模式可以投入更多推理 token，加上 MoE + Muon 优化器架构改进，推理效率很高。

至于Claude Haiku 4.5、Claude Sonnet 4.6、GPT-5.4、Kimi K2.6、MiMo-V2.5-Pro、豆包Seed系列、Qwen Flash暂无公开的GPQA成绩。

抽象推理ARC-AGI-2，GPT-5.5以85.0%大幅领先，第二名77.1%，差了8个百分点。

工具编排MCP Atlas

网络搜索BrowseComp

这两个测试目前只有部分模型有公开成绩，Claude Haiku 4.5、Claude Sonnet 4.6、GPT-5.4、Kimi K2.6、MiMo-V2.5-Pro、豆包Seed系列、Qwen Flash等暂未参与评测。

也直接看图吧

所以你看，没有一个模型在所有维度都拿头名。

GPT-5.5在agentic coding和抽象推理强。

Claude Opus 4.7在代码修复和工具编排强。

Gemini 3.1 Pro在推理和搜索强。

国产模型在SWE-bench Pro和性价比上撕开了一道口子。

这也是为什么现在主流团队都开始用多模型策略了。

价格跌到你不敢信

聊能力不聊价格是耍流氓。

先说个大背景，API价格在过去两年里跌了大约80%。

2024年中旬GPT-4 Turbo输出$30/百万tokens。现在GPT-5.5也是$30，但能力强了不知道多少倍。

更夸张的是DeepSeek V4-Flash，$0.14/$0.28。你跑一整天可能都花不了一杯咖啡钱。

2026年5月当前主流模型的输出价格，我拉了三个梯队。

极致性价比区，输出$0.28到$4.00。

DeepSeek V4-Flash $0.28，豆包Seed 2.0 Mini $0.31，Qwen Flash $0.40，豆包Seed 2.0 Pro $2.37，MiMo-V2.5-Pro $3.00（海外API输出价），DeepSeek V4-Pro $3.48，GLM-5.1 $3.50，Kimi K2.6 $4.00。

均衡旗舰区，输出$5到$25。

Claude Haiku 4.5 $5，Gemini 3.1 Pro $12到$18，Claude Sonnet 4.6 $15，GPT-5.4 $15，Claude Opus 4.7 $25。

顶级旗舰区，输出$30及以上。

GPT-5.5 $30，GPT-5.5 Pro $180。

比较骚的是GLM-5.1输出$3.50，只有Claude Opus 4.7的七分之一，但SWE-bench Pro成绩58.4%对比64.3%，差了不到6个百分点。

豆包Seed 2.0 Pro更狠，输出$2.37，只有Opus的十分之一。

如果你是个人开发者或者创业团队，花十分之一的价钱拿到大约90%的代码修复能力，这个性价比太离谱了。

你到底该选谁

最后聊关键问题，不同场景怎么选。

复杂编程和代码审查，Claude Opus 4.7。SWE-bench Pro公开可用的模型中最高分，MCP Atlas头名，复杂多步骤编程场景下最稳。

但如果你是做终端自动化、DevOps这类agentic coding，GPT-5.5领先幅度很大，Terminal-Bench 82.0%不是开玩笑的。

预算充足的话，推荐Claude Opus 4.7加GPT-5.5双栈。

其他各种方面我也直接用图表来概括好了，有问题直接在评论区提问吧

回到开头说的那个事。

四月这一个月干的事，比过去半年都多。

是多方混战带来的价格战，是你的选择比以往任何时候都多。

你现在在用哪个模型写代码？评论区聊聊你的体验，看看大家都在用什么组合。

以上，如果觉得对你有帮助，随手点个赞、在看、转发三连吧。

我是大林，我们，下次再见。