SQBench

大模型实战能力评测基准

沙丘社区是中国领先的AI研究与评测机构。SQBench聚焦大模型在真实业务场景中的实战表现,围绕任务交付、风险边界与成本效率等维度,为模型选型、能力对比和部署决策提供参考依据。

Leaderboard

实战能力排行榜

基于 SQBench 实战任务结果排序,展示模型在真实业务场景中的综合表现。

Models

模型表现

展示模型在 SQBench 实战任务中的总体表现、完成质量与风险影响。

实战能力

基于任务通过情况衡量模型在真实业务任务中的稳定交付表现,越高表示可稳定完成的任务比例越高。

推理模型以此图标标识

实战能力

实战能力采用任务通过口径计算,强调模型在标准评测条件下稳定达标的能力;最终表现分和任务完成分保留连续得分,用于辅助分析任务完成质量与风险影响。

Capability

实战能力分析

从基础执行、复合工作流和业务场景三个层面,比较模型在不同类型实战任务中的表现。

L1 原子能力

评估模型在基础认知、指令执行、长上下文推理、代码逻辑和边界处理中的稳定性。

指令遵循

越高越好

长文本推理

越高越好

动态代码逻辑

越高越好

鲁棒性与边界

越高越好

推理模型以此图标标识

Safety & Reliability

安全与合规

对比模型在任务执行中的可靠性、风险控制和幻觉相关表现。

Cost Efficiency

成本效率

展示模型完成 SQBench 实战任务所需的评测成本、完成耗时和 Token 消耗,用于辅助判断规模化使用成本。

评测成本

完成本次评测产生的模型 API 成本,越低表示调用成本越低。

输入推理回答

推理模型以此图标标识

Value

性价比

对比模型实战能力与可靠度、评测成本、完成耗时和 Token 消耗,辅助判断不同模型的部署价值。

实战能力 vs 可靠度

对比模型的任务交付表现与风险稳定性,右上区域更优。

Anthropic智谱字节跳动阿里巴巴月之暗面DeepSeek小米MiniMax腾讯GooglexAI阶跃星辰
理想区域实战能力可靠度20.030.040.050.060.070.0%75.0%80.0%85.0%Claude Opus 4.8 (Max)Claude Opus 4.8 (Max)可靠度83.3%实战能力57.6%Click for more infoGLM-5.2 (Max)GLM-5.2 (Max)可靠度88.3%实战能力52.7%Click for more infoDoubao-Seed-2.1-turbo (High)Doubao-Seed-2.1-turbo (High)可靠度85.8%实战能力51.3%Click for more infoQwen3.7-MaxQwen3.7-Max可靠度86.3%实战能力51.1%Click for more infoKimi K2.7 CodeKimi K2.7 Code可靠度84.2%实战能力50.4%Click for more infoDeepSeek-V4-Pro (Max)DeepSeek-V4-Pro (Max)可靠度79.9%实战能力49.5%Click for more infoMiMo-V2.5MiMo-V2.5可靠度79.0%实战能力48.5%Click for more infoDeepSeek-V4-Pro (High)DeepSeek-V4-Pro (High)可靠度82.2%实战能力48.3%Click for more infoDoubao-Seed-2.1-pro (High)Doubao-Seed-2.1-pro (High)可靠度84.9%实战能力48.1%Click for more infoKimi K2.6Kimi K2.6可靠度87.5%实战能力47.3%Click for more infoDeepSeek-V4-Flash (High)DeepSeek-V4-Flash (High)可靠度83.2%实战能力47.1%Click for more infoGLM-5.1GLM-5.1可靠度86.7%实战能力46.7%Click for more infoMiniMax-M3MiniMax-M3可靠度82.7%实战能力46.7%Click for more infoQwen3.6-PlusQwen3.6-Plus可靠度83.0%实战能力45.4%Click for more infoQwen3.7-PlusQwen3.7-Plus可靠度82.7%实战能力45.3%Click for more infoHy3Hy3可靠度83.6%实战能力45.3%Click for more infoMiMo-V2.5-ProMiMo-V2.5-Pro可靠度79.3%实战能力44.0%Click for more infoHy3 PreviewHy3 Preview可靠度80.5%实战能力40.6%Click for more infoGemini 3.5 Flash (High)Gemini 3.5 Flash (High)可靠度74.6%实战能力40.5%Click for more infoMiniMax-M2.7MiniMax-M2.7可靠度80.2%实战能力37.9%Click for more infoGrok 4.3 (High)Grok 4.3 (High)可靠度88.3%实战能力37.4%Click for more infoDeepSeek-V4-Flash (Max)DeepSeek-V4-Flash (Max)可靠度73.3%实战能力36.8%Click for more infoGemma 4 31BGemma 4 31B可靠度84.9%实战能力34.1%Click for more infoStep 3.5 Flash (High)Step 3.5 Flash (High)可靠度73.6%实战能力28.4%Click for more infoStep 3.7 Flash (High)Step 3.7 Flash (High)可靠度69.1%实战能力18.7%Click for more info

推理模型以此图标标识

Price

价格

展示模型公开调用单价,用于理解不同模型的基础计费差异;实际评测成本以成本效率部分为准。

分项价格

展示每百万 Token 的输入、输出和缓存单价,越低越好。

缓存输入输出
MiMo-V2.5缓存$0.0028输入$0.14输出$0.28MiMo-V2.5
DeepSeek-V4-Flash (High)缓存$0.0028输入$0.14输出$0.28DeepSeek-V4-Flash (High)
DeepSeek-V4-Flash (Max)缓存$0.0028输入$0.14输出$0.28DeepSeek-V4-Flash (Max)
Step 3.5 Flash (High)缓存$0.02输入$0.10输出$0.31Step 3.5 Flash (High)
Gemma 4 31B缓存$0.09输入$0.12输出$0.35Gemma 4 31B
Hy3缓存$0.04输入$0.15输出$0.59Hy3
Hy3 Preview缓存$0.09输入$0.21输出$0.70Hy3 Preview
DeepSeek-V4-Pro (Max)缓存$0.0036输入$0.44输出$0.87DeepSeek-V4-Pro (Max)
DeepSeek-V4-Pro (High)缓存$0.0036输入$0.44输出$0.87DeepSeek-V4-Pro (High)
MiMo-V2.5-Pro缓存$0.0036输入$0.44输出$0.87MiMo-V2.5-Pro
Step 3.7 Flash (High)缓存$0.04输入$0.20输出$1.19Step 3.7 Flash (High)
MiniMax-M3缓存$0.06输入$0.31输出$1.24MiniMax-M3
MiniMax-M2.7缓存$0.06输入$0.31输出$1.24MiniMax-M2.7
Qwen3.6-Plus缓存$0.03输入$0.29输出$1.77Qwen3.6-Plus
Qwen3.7-Plus缓存$0.03输入$0.29输出$1.77Qwen3.7-Plus
Doubao-Seed-2.1-turbo (High)缓存$0.09输入$0.44输出$2.21Doubao-Seed-2.1-turbo (High)
Grok 4.3 (High)缓存$0.20输入$1.25输出$2.50Grok 4.3 (High)
GLM-5.1缓存$0.19输入$0.88输出$3.53GLM-5.1
Kimi K2.7 Code缓存$0.19输入$0.96输出$3.97Kimi K2.7 Code
Kimi K2.6缓存$0.16输入$0.96输出$3.97Kimi K2.6
GLM-5.2 (Max)缓存$0.29输入$1.18输出$4.12GLM-5.2 (Max)
Doubao-Seed-2.1-pro (High)缓存$0.18输入$0.88输出$4.41Doubao-Seed-2.1-pro (High)
Qwen3.7-Max缓存$0.35输入$1.77输出$5.29Qwen3.7-Max
Gemini 3.5 Flash (High)缓存$0.15输入$1.50输出$9.00Gemini 3.5 Flash (High)
Claude Opus 4.8 (Max)缓存$0.50输入$5.00输出$25.00Claude Opus 4.8 (Max)

推理模型以此图标标识