DeepSeek V4.1 Flash 瀏覽器操作評測:在 72 項網頁任務中對比 GPT-6.1 Sol

對於需要跨多個網站工作的代理,我們會選擇 GPT-6.1 Sol;對於單一網頁應用程式內的工作流程,我們會選擇 DeepSeek V4.1 Flash。每個模型都在 ego-browser 中將我們的 72 項任務各執行兩次,因此每個模型進行了 144 次嘗試。GPT-6.1 Sol 在 144 次嘗試中通過 121 次(84.0%),DeepSeek V4.1 Flash 通過 82 次(56.9%)。在兩個模型每次嘗試都通過的 29 項任務上,GPT-6.1 Sol 平均每項耗時 219.7 秒、費用 $0.310,DeepSeek V4.1 Flash 則為 321.7 秒、$0.047。
閱讀執行紀錄後,我們發現兩個模型的工作方式不同。GPT-6.1 Sol 經常用一條指令處理多個網站,而 DeepSeek V4.1 Flash 一次處理一個頁面,並持續查找。在需要從 8 個或更多網站收集相同欄位的任務中,DeepSeek V4.1 Flash 有 23 次嘗試用盡了全部 100 個步驟。在我們的測試應用程式中,工作在單一網頁應用程式內完成,它的通過率與速度接近 GPT-6.1 Sol,費用約為後者的六分之一。
每個模型也都有需要預先因應的弱點。GPT-6.1 Sol 有時會太早停止查找:在 3 項任務中,它兩次嘗試都失敗,而持續查找的 DeepSeek V4.1 Flash 兩次都通過。DeepSeek V4.1 Flash 雖然給出的答案更少,錯誤答案卻更多:它的 144 次嘗試中有 34 次以錯誤答案結束,GPT-6.1 Sol 則有 23 次。
成功率、速度與費用
GPT-6.1 Sol 在成功率與速度上領先,DeepSeek V4.1 Flash 的費用約為它的 15%。我們在兩個模型每次嘗試都通過的 29 項任務上比較耗時與費用,因此雙方的這些數據都不包含失敗嘗試。全部 72 項任務的結果列則包含失敗的嘗試。
| 指標 | GPT-6.1 Sol | DeepSeek V4.1 Flash |
|---|---|---|
| 成功率,全部 72 項任務 | 84.0%(144 次嘗試中通過 121 次) | 56.9%(144 次嘗試中通過 82 次) |
| 每項任務耗時,雙方每次都通過的 29 項任務 | 219.7 s | 321.7 s |
| 每項任務耗時,全部 72 項任務 | 321.6 s | 511.4 s |
| 每項任務費用,雙方每次都通過的 29 項任務 | $0.310 | $0.047 |
| 每項任務費用,全部 72 項任務 | $0.483 | $0.071 |
| 每次成功嘗試的費用,全部 72 項任務 | $0.575 | $0.124 |
| 每項任務的工具呼叫次數,全部 72 項任務 | 34.6 | 61.6 |
測試執行於 2026 年 11 月 7 日,兩個模型都使用 ego-browser。每個模型對每項任務各執行兩次。耗時包含等待各模型 API 回應的時間。
DeepSeek V4.1 Flash 費用較低,是因為它的定價更低,而非工作量更少。它平均每項任務呼叫工具 61.6 次,GPT-6.1 Sol 則為 34.6 次。即使按每次成功嘗試計算,DeepSeek V4.1 Flash 的費用也是 $0.124,GPT-6.1 Sol 為 $0.575。
成功率的差距主要來自一類工作。在需要從 8 個或更多網站收集相同欄位的任務中,GPT-6.1 Sol 在 64 次嘗試中通過 51 次,DeepSeek V4.1 Flash 通過 21 次。在網頁應用程式工作流程中,兩個模型在 30 次嘗試中分別通過 29 次與 28 次。
| 工作類型 | 任務數 | GPT-6.1 Sol | DeepSeek V4.1 Flash |
|---|---|---|---|
| 網頁應用程式工作流程 | 15 | 96.7% (29/30) | 93.3% (28/30) |
| 在少量網站上搜尋與比較 | 8 | 93.8% (15/16) | 81.3% (13/16) |
| 研究與綜合分析 | 12 | 66.7% (16/24) | 62.5% (15/24) |
| 將 X 貼文與其他來源交叉核對 | 5 | 100% (10/10) | 50.0% (5/10) |
| 從 8 個或更多網站收集相同欄位 | 32 | 79.7% (51/64) | 32.8% (21/64) |
| 全部任務 | 72 | 84.0% (121/144) | 56.9% (82/144) |
每項任務嘗試兩次,成功率是其中通過的嘗試所占的比例。
在網頁應用程式工作流程中,兩個模型的通過率幾乎沒有差別,因此費用成為區分它們的因素。在跨多個網站的任務中,GPT-6.1 Sol 的通過次數多得多。
GPT-6.1 Sol 如何工作
GPT-6.1 Sol 經常用一條指令處理多個網站。任務涉及多個網站時,它會將這些網站保持在不同分頁中,並在每條 ego-browser 指令中推進其中多個網站的工作。兩個模型收到的 ego-browser 技能檔案相同,其中說明了如何在任務需要時同時保持多個分頁開啟。在需要從 8 個或更多網站收集相同欄位的任務中,GPT-6.1 Sol 有 56% 的瀏覽器指令操作了兩個或更多分頁。DeepSeek V4.1 Flash 的這一比例不到 1%。
地震任務展示了這種工作方式。任務要求收集 9 家機構報告的同一場 2025 年地震的時間、規模與深度。GPT-6.1 Sol 在一條指令中讀取 USGS 的事件頁面,開啟 EMSC 事件頁面中的科學資料,開啟 GFZ 的事件頁面,並讓第四個分頁前往 INGV。它兩次嘗試都通過,分別呼叫工具 40 次與 32 次。DeepSeek V4.1 Flash 則在單一分頁中逐一處理這 9 家機構,依序填寫各機構的搜尋表單,兩次嘗試都用盡了全部 100 個步驟。
在我們的執行結果中,GPT-6.1 Sol 呼叫工具更少,也更早完成。在兩個模型每次嘗試都通過的 29 項任務中,它平均每項任務呼叫工具 28.6 次,DeepSeek V4.1 Flash 為 43.0 次。這些任務中有 16 項不屬於網頁應用程式任務,GPT-6.1 Sol 在其中 14 項上更快。在網頁應用程式工作流程中,它只有 3% 的瀏覽器指令操作了兩個或更多分頁,兩個模型的耗時大致相同。
GPT-6.1 Sol 的弱點是有時會太早停止查找。在 3 項任務中,它兩次嘗試都失敗,而 DeepSeek V4.1 Flash 兩次都通過。在 LiveBench 任務中,兩個模型都在排行榜中查找 High 推理強度下的 GPT-5.4,卻只找到 xHigh 對應的列。呼叫工具 12 次後,GPT-6.1 Sol 回報頁面沒有顯示該分數。DeepSeek V4.1 Flash 繼續查找,在同一頁面更下方 Insights 區域的模型選擇器中找到該分數:75.1。
前端框架任務也出現類似情況。一次嘗試中,GPT-6.1 Sol 在 Next.js 的版本發布清單中搜尋「16.3.」,並回報最上面的結果:8 月 21 日發布的 16.3.2。DeepSeek V4.1 Flash 逐頁瀏覽了主要由 canary 建置版本組成的發布清單,找到 9 月 30 日發布的 16.3.8。當 GPT-6.1 Sol 回報某個網站沒有某個值,或直接採用搜尋結果的第一項時,我們會先自行核對該值,再使用答案。
DeepSeek V4.1 Flash 如何工作
DeepSeek V4.1 Flash 一次處理一個頁面,並持續查找,直到找到目標資訊。它平均每項任務呼叫工具 61.6 次,GPT-6.1 Sol 為 34.6 次。正是這種堅持,讓它通過了 GPT-6.1 Sol 失敗的 LiveBench 與前端框架任務。
在單一網頁應用程式內,一次處理一個頁面的方式影響不大。我們的 15 項網頁應用程式工作流程在填入了新資料的測試應用程式中執行,例如差旅預訂應用程式與費用管理應用程式。DeepSeek V4.1 Flash 在其中 30 次嘗試中通過 28 次,GPT-6.1 Sol 通過 29 次。在雙方每次嘗試都通過的 13 項工作流程中,DeepSeek V4.1 Flash 平均每項耗時 173.0 秒、費用 $0.028,GPT-6.1 Sol 為 169.3 秒、$0.170。
預訂符合政策的差旅就是一個典型例子。任務要求代理在差旅政策允許範圍內預訂來回航班、選擇靠走道座位,並預訂距離會場一英里內的飯店。兩個模型兩次嘗試都通過。DeepSeek V4.1 Flash 平均每項耗時 189.2 秒、費用 $0.033,GPT-6.1 Sol 為 199.4 秒、$0.253。
跨越 8 個或更多網站時,同樣的工作方式會耗盡步驟。在這 32 項任務中,DeepSeek V4.1 Flash 在 64 次嘗試中通過 21 次,GPT-6.1 Sol 通過 51 次。DeepSeek 平均每項呼叫工具 82.2 次,是 GPT-6.1 Sol 的 41.1 次的兩倍。在 DeepSeek 用盡全部 100 個步驟的 26 次嘗試中,有 23 次發生在這類任務上。
當 DeepSeek V4.1 Flash 給出答案時,我們會將其結論與它自己列出的資料及讀過的頁面核對。它有 62 次嘗試失敗:34 次以錯誤答案結束,28 次沒有給出答案。在這 28 次中,26 次用盡了全部 100 個步驟,1 次因 DeepSeek API 傳回伺服器錯誤而結束。GPT-6.1 Sol 的全部 23 次失敗都以錯誤答案結束。在旗艦手機任務的一次嘗試中,DeepSeek V4.1 Flash 自己的表格列出 Galaxy S26 重 167 g,但表格下方的文字卻將重 186 g 的 motorola signature 稱為最輕的手機。
選擇哪個模型
在 ego-browser 中,需要代理跨多個網站工作時,使用 GPT-6.1 Sol。它通過了 84.0% 的嘗試,且從未用盡步驟。在需要從 8 個或更多網站收集相同欄位的任務中,它在 64 次嘗試中通過 51 次,也更早完成了跨多個網站的工作。
單一網頁應用程式內的工作流程,使用 DeepSeek V4.1 Flash。在我們的測試應用程式中,它在 30 次嘗試中通過 28 次,耗時與 GPT-6.1 Sol 大致相同,費用約為後者的六分之一。對於跨 8 個或更多網站的工作,我們不會依賴它,因為它在這類任務的 64 次嘗試中只通過 21 次。
少量網站的資訊查詢與研究任務,需要在時間與費用之間取捨。DeepSeek V4.1 Flash 在資訊查詢任務的 16 次嘗試中通過 13 次,在研究任務的 24 次嘗試中通過 15 次;GPT-6.1 Sol 分別通過 16 次中的 15 次,以及 24 次中的 16 次。這兩類任務中,DeepSeek V4.1 Flash 都更便宜,也更耗時。

無論選擇哪個模型,都要核對答案中的關鍵值。兩個模型有時都會給出看似完整、卻含有錯誤數值的答案。我們在 ego-browser 中以高推理強度執行了兩個模型。ego-browser 與 ego(lite) 一同提供,並將其作為代理的瀏覽器進行控制。
常見問題
DeepSeek V4.1 Flash 的瀏覽器操作能力與 GPT-6.1 Sol 一樣好嗎?
在單一網頁應用程式內,兩者接近;跨多個網站時則不然。在網頁應用程式工作流程中,DeepSeek V4.1 Flash 在 30 次嘗試中通過 28 次,GPT-6.1 Sol 通過 29 次。在需要從 8 個或更多網站收集相同欄位的任務中,DeepSeek V4.1 Flash 在 64 次嘗試中通過 21 次,GPT-6.1 Sol 通過 51 次。全部 72 項任務中,它們分別通過了 56.9% 與 84.0% 的嘗試。
為什麼 GPT-6.1 Sol 在瀏覽器中比 DeepSeek V4.1 Flash 更快?
在我們的執行結果中,GPT-6.1 Sol 所需的工具呼叫更少,部分原因是它經常用一條指令處理多個網站。在需要從 8 個或更多網站收集相同欄位的任務中,它有 56% 的瀏覽器指令操作了兩個或更多分頁,DeepSeek V4.1 Flash 的這一比例不到 1%。在兩個模型每次嘗試都通過的 29 項任務中,GPT-6.1 Sol 平均每項呼叫工具 28.6 次、耗時 219.7 秒,DeepSeek V4.1 Flash 為 43.0 次、321.7 秒。在網頁應用程式工作流程中,兩者的耗時大致相同。
處理瀏覽器任務時,DeepSeek V4.1 Flash 比 GPT-6.1 Sol 便宜多少?
DeepSeek V4.1 Flash 的費用約為 GPT-6.1 Sol 的 15%。在兩個模型每次嘗試都通過的 29 項任務中,DeepSeek V4.1 Flash 的平均每項費用為 $0.047,GPT-6.1 Sol 為 $0.310。全部 72 項任務中,DeepSeek V4.1 Flash 的平均每項費用為 $0.071,GPT-6.1 Sol 為 $0.483。按每次成功嘗試計算,DeepSeek V4.1 Flash 的費用為 $0.124,GPT-6.1 Sol 為 $0.575。
為什麼 DeepSeek V4.1 Flash 會在跨多個網站的任務中失敗?
它在這類任務中的失敗約有一半來自用盡步驟。在需要從 8 個或更多網站收集相同欄位的任務中,它一次處理一個頁面,平均每項呼叫工具 82.2 次,GPT-6.1 Sol 為 41.1 次。它在這類任務中失敗的 43 次嘗試裡,有 23 次用盡了全部 100 個步驟,未給出答案。
為什麼 GPT-6.1 Sol 會答錯某些瀏覽器任務?
在 LiveBench 與前端框架任務中,它太早停止了查找。在 LiveBench 任務中,GPT-6.1 Sol 呼叫工具 12 次後回報頁面沒有顯示某個分數,而 DeepSeek V4.1 Flash 在同一頁面更下方的 Insights 區域找到該分數。在 GPT-6.1 Sol 兩次嘗試都失敗的 3 項任務中,DeepSeek V4.1 Flash 兩次都通過。
DeepSeek V4.1 Flash 比 GPT-6.1 Sol 更容易出錯嗎?
是的,DeepSeek V4.1 Flash 的 144 次嘗試中,有 34 次以錯誤答案結束;GPT-6.1 Sol 有 23 次。DeepSeek V4.1 Flash 給出的答案還更少,因為它有 28 次嘗試未給出答案。在旗艦手機任務的一次嘗試中,它自己的表格列出 Galaxy S26 重 167 g,但摘要卻將一部重 186 g 的手機稱為最輕的手機。
DeepSeek V4.1 Flash 能在網頁應用程式中填表並執行工作流程嗎?
可以。在我們測試應用程式中的 15 項網頁應用程式工作流程裡,DeepSeek V4.1 Flash 在 30 次嘗試中通過 28 次,GPT-6.1 Sol 在 30 次嘗試中通過 29 次。任務包括預訂差旅、核銷鎖箱收款,以及簽核費用報告。在兩個模型每次嘗試都通過的 13 項任務中,DeepSeek V4.1 Flash 的平均每項費用為 $0.028,GPT-6.1 Sol 為 $0.170。
哪些瀏覽器任務上,DeepSeek V4.1 Flash 能比 GPT-6.1 Sol 以更低費用完成?
主要是單一網頁應用程式內的工作流程,15 項網頁應用程式工作流程中有 11 項符合三個條件。在這 11 項任務上,DeepSeek V4.1 Flash 的通過次數與 GPT-6.1 Sol 相同,耗時最多比後者長 10%,費用不到後者的三分之一。另外三項任務也符合相同條件:依據 FRED 與 BLS 資料編寫通膨簡報,根據講課內容、程式碼與論文整理學習筆記,以及根據九份 Linux 發行版安全公告核對同一個 sudo CVE。
DeepSeek V4.1 Flash 的工具呼叫次數與 GPT-6.1 Sol 相比如何?
全部 72 項任務中,DeepSeek V4.1 Flash 平均每項呼叫工具 61.6 次,比 GPT-6.1 Sol 的 34.6 次約多 78%。在需要從 8 個或更多網站收集相同欄位的任務中,DeepSeek V4.1 Flash 平均每項呼叫 82.2 次,是 GPT-6.1 Sol 的 41.1 次的兩倍。在網頁應用程式工作流程中,DeepSeek V4.1 Flash 平均每項呼叫 33.3 次,GPT-6.1 Sol 為 26.0 次。
DeepSeek V4.1 Flash 值得用於瀏覽器代理嗎?
單一網頁應用程式內的工作流程值得用:DeepSeek V4.1 Flash 在其中 30 次嘗試中通過 28 次,費用約為 GPT-6.1 Sol 的六分之一。對於需要跨多個網站工作的代理,GPT-6.1 Sol 是更好的選擇,因為它通過了 84.0% 的嘗試,而 DeepSeek V4.1 Flash 為 56.9%。
測試方法
我們於 2026 年 11 月 7 日在 macOS 上執行兩個模型,使用 ego-browser 與 ego(lite) 0.6.3.2。兩個模型都在 pi 代理框架中執行,配有 ego-browser 的技能檔案。我們透過模型識別碼 deepseek-flash 與 gpt-6.1-sol 呼叫它們,並使用高推理強度。兩個模型的每次嘗試都限 100 個步驟。一步是模型的一次回應,幾乎每一步模型都會呼叫一次工具。每個模型都將 72 項任務各執行兩次,因此每個模型進行了 144 次嘗試。

這 72 項任務都是複雜的網頁自動化任務。有些在真實網站上執行,有些在填入了新資料的測試應用程式中執行。我們按每項任務要求完成的工作類型分組:
| 工作類型 | 任務數 | 任務範例 |
|---|---|---|
| 網頁應用程式工作流程 | 15 | 預訂符合政策的差旅 |
| 在少量網站上搜尋與比較 | 8 | 依據 FRED 編寫通膨簡報,並與 BLS 核對 |
| 研究與綜合分析 | 12 | 追溯 Wikipedia 表格的資訊來源 |
| 將 X 貼文與其他來源交叉核對 | 5 | 將 X 上的 SpaceX 發射貼文與 Wikipedia 核對 |
| 從 8 個或更多網站收集相同欄位 | 32 | 12 家中央銀行的利率決策 |
每項任務只屬於一個分組。核對 X 貼文的 5 項任務自成一組,即使它們涉及 8 個帳號也不例外。
每項任務根據 3 至 10 個檢查項目評分。只有全部檢查項目通過,該次嘗試才算通過。
為了解各模型的工作方式,我們閱讀了兩個模型各次嘗試的會話紀錄。如果模型在某條指令中傳給 ego-browser 的指令碼讀取或操作了兩個或更多分頁,就將該瀏覽器指令計為使用了兩個或更多分頁。
成功率是通過的嘗試所占的比例。本文所有按任務計算的數值,包括耗時、費用與工具呼叫次數,都是該任務兩次嘗試的平均值。耗時從嘗試開始算到最終答案;若未給出答案,則算到最後一步,且包含等待各模型 API 回應的時間。費用是每次嘗試的 token 用量按提供方價格折算的金額。每次成功嘗試的費用,是全部 144 次嘗試的總費用除以通過次數。比較耗時與費用時,除非句子另有說明,我們都使用兩個模型每次嘗試都通過的 29 項任務。
下方「結果」欄中,「通過次數相同,費用更低」表示 DeepSeek V4.1 Flash 的通過次數與 GPT-6.1 Sol 相同,耗時最多比後者長 10%,費用不到後者的三分之一。「通過次數相同,但更慢」表示兩個模型的通過次數相同,但該任務未符合上述耗時與費用條件。
完整結果
每個儲存格先顯示 2 次嘗試中的通過次數,再顯示每項任務的耗時與費用。耗時與費用都是該任務兩次嘗試的平均值,耗時包含等待各模型 API 回應的時間。
| 任務 | 工作類型 | 結果 | GPT-6.1 Sol | DeepSeek V4.1 Flash |
|---|---|---|---|---|
| 將未配對的卡片扣款加入費用報告 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 169.6 s, $0.193 | 2/2, 157.1 s, $0.026 |
| 核銷鎖箱收款 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 185.2 s, $0.141 | 2/2, 184.3 s, $0.025 |
| 簽核差旅費用報告 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 156.3 s, $0.120 | 2/2, 144.6 s, $0.020 |
| 預訂符合政策的差旅 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 199.4 s, $0.253 | 2/2, 189.2 s, $0.033 |
| 將服務監控設定調整至符合標準 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 133.9 s, $0.131 | 2/2, 119.3 s, $0.024 |
| 承運商準點表現檢視與告警規則 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 198.1 s, $0.140 | 2/2, 213.7 s, $0.042 |
| 申領每日餐費津貼 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 123.4 s, $0.109 | 2/2, 93.2 s, $0.018 |
| 申報每日里程 | 網頁應用程式工作流程 | 通過次數相同,但更慢 | 2/2, 246.6 s, $0.228 | 2/2, 282.4 s, $0.036 |
| 考量休假安排,補齊值班班次 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 85.6 s, $0.108 | 2/2, 69.0 s, $0.013 |
| 依補貨點建立採購單 | 網頁應用程式工作流程 | 通過次數相同,但更慢 | 2/2, 116.7 s, $0.123 | 2/2, 146.9 s, $0.019 |
| 為損壞訂單提出退貨申請 | 網頁應用程式工作流程 | 通過次數相同,但更慢 | 2/2, 238.5 s, $0.293 | 2/2, 297.5 s, $0.045 |
| 依錯誤預算凍結或解除凍結部署 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 1/2, 90.1 s, $0.086 | 1/2, 74.1 s, $0.013 |
| 將發票與付款配對,並提出爭議 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 212.0 s, $0.214 | 2/2, 224.6 s, $0.042 |
| 回滾凍結期間發布的版本 | 網頁應用程式工作流程 | GPT-6.1 Sol 通過次數更多 | 2/2, 115.4 s, $0.111 | 1/2, 241.3 s, $0.040 |
| 撰寫並提交事故檢討報告 | 網頁應用程式工作流程 | 通過次數相同,費用更低 | 2/2, 135.5 s, $0.158 | 2/2, 126.7 s, $0.026 |
| 航班搜尋網站上不停站航班的最低票價 | 在少量網站上搜尋與比較 | 通過次數相同,但更慢 | 1/2, 380.6 s, $0.492 | 1/2, 1058.9 s, $0.096 |
| 比較三款 Mac 筆記型電腦 | 在少量網站上搜尋與比較 | 通過次數相同,但更慢 | 2/2, 278.5 s, $0.529 | 2/2, 320.4 s, $0.065 |
| 依據 FRED 編寫通膨簡報,並與 BLS 核對 | 在少量網站上搜尋與比較 | 通過次數相同,費用更低 | 2/2, 117.8 s, $0.158 | 2/2, 93.6 s, $0.019 |
| 四家英國公司的 KYC 資訊快照 | 在少量網站上搜尋與比較 | GPT-6.1 Sol 通過次數更多 | 2/2, 181.1 s, $0.269 | 1/2, 170.1 s, $0.034 |
| 將臨床試驗與藥品仿單配對 | 在少量網站上搜尋與比較 | GPT-6.1 Sol 通過次數更多 | 2/2, 338.8 s, $0.487 | 1/2, 293.6 s, $0.052 |
| 核對六部電影的票房 | 在少量網站上搜尋與比較 | 通過次數相同,但更慢 | 2/2, 189.2 s, $0.209 | 2/2, 210.5 s, $0.028 |
| 根據講課內容、程式碼與論文整理學習筆記 | 在少量網站上搜尋與比較 | 通過次數相同,費用更低 | 2/2, 215.6 s, $0.422 | 2/2, 232.5 s, $0.041 |
| MDN 與 Can I use 上的網頁功能 | 在少量網站上搜尋與比較 | 通過次數相同,但更慢 | 2/2, 161.8 s, $0.197 | 2/2, 430.5 s, $0.049 |
| Wayback 存檔快照中的 API 價格 | 研究與綜合分析 | DeepSeek V4.1 Flash 通過次數更多 | 0/2, 410.4 s, $0.300 | 2/2, 1111.2 s, $0.065 |
| ARC Prize 排行榜圖表 | 研究與綜合分析 | 通過次數相同,但更慢 | 2/2, 197.0 s, $0.247 | 2/2, 341.1 s, $0.081 |
| 核對每週 AI 回顧中的 10 項說法 | 研究與綜合分析 | GPT-6.1 Sol 通過次數更多 | 2/2, 184.3 s, $0.331 | 0/2, 307.3 s, $0.059 |
| 比較五個中國模型 API 的每月費用 | 研究與綜合分析 | 通過次數相同,但更慢 | 2/2, 205.8 s, $0.344 | 2/2, 278.6 s, $0.055 |
| 對 8 個前沿模型進行《歐盟人工智慧法》揭露稽核 | 研究與綜合分析 | 雙方都未通過 | 0/2, 555.1 s, $1.007 | 0/2, 530.4 s, $0.126 |
| 根據六份更新日誌列出 9 月上線的 API 模型 | 研究與綜合分析 | GPT-6.1 Sol 通過次數更多 | 2/2, 148.2 s, $0.260 | 1/2, 378.5 s, $0.078 |
| 超過歐盟運算量門檻的模型 | 研究與綜合分析 | GPT-6.1 Sol 通過次數更多 | 2/2, 94.0 s, $0.095 | 1/2, 170.2 s, $0.034 |
| 為 GLM 5.3 選擇 OpenRouter 端點 | 研究與綜合分析 | 通過次數相同,但更慢 | 2/2, 222.2 s, $0.305 | 2/2, 363.4 s, $0.067 |
| 依六項要求,為德國保險理賠選擇模型 | 研究與綜合分析 | DeepSeek V4.1 Flash 通過次數更多 | 1/2, 155.3 s, $0.261 | 2/2, 285.0 s, $0.057 |
| 根據 6 個定價頁面計算支援工單工作負載的費用 | 研究與綜合分析 | 通過次數相同,但更慢 | 1/2, 334.8 s, $0.559 | 1/2, 399.2 s, $0.101 |
| 閱讀一份 LiveBench 發布說明 | 研究與綜合分析 | DeepSeek V4.1 Flash 通過次數更多 | 0/2, 67.8 s, $0.129 | 2/2, 215.3 s, $0.050 |
| 追溯 Wikipedia 表格的資訊來源 | 研究與綜合分析 | GPT-6.1 Sol 通過次數更多 | 2/2, 286.6 s, $0.222 | 0/2, 514.5 s, $0.060 |
| 8 筆俱樂部簽約:將 X 貼文與俱樂部網站核對 | 將 X 貼文與其他來源交叉核對 | GPT-6.1 Sol 通過次數更多 | 2/2, 1099.5 s, $1.485 | 0/2, 2198.8 s, $0.080 |
| 8 次產品發布:將 X 貼文與新聞稿核對 | 將 X 貼文與其他來源交叉核對 | GPT-6.1 Sol 通過次數更多 | 2/2, 583.1 s, $0.725 | 0/2, 1451.6 s, $0.086 |
| 8 所大學在 X 上的諾貝爾獎貼文 | 將 X 貼文與其他來源交叉核對 | GPT-6.1 Sol 通過次數更多 | 2/2, 790.7 s, $0.835 | 1/2, 2557.1 s, $0.117 |
| 8 個開源專案的安全發布:將 X 貼文與安全公告核對 | 將 X 貼文與其他來源交叉核對 | 通過次數相同,但更慢 | 2/2, 426.5 s, $0.724 | 2/2, 1306.2 s, $0.117 |
| 將 X 上的 SpaceX 發射貼文與 Wikipedia 核對 | 將 X 貼文與其他來源交叉核對 | 通過次數相同,但更慢 | 2/2, 156.2 s, $0.166 | 2/2, 841.3 s, $0.044 |
| 11 家氣象機構的 2025 年氣候聲明 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 1/2, 616.5 s, $1.076 | 0/2, 556.2 s, $0.120 |
| 2025 年 8 座機場的運量 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 1/2, 609.4 s, $1.015 | 1/2, 750.7 s, $0.127 |
| 9 個聯賽的 2025-26 賽季冠軍 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 577.7 s, $1.193 | 0/2, 798.0 s, $0.110 |
| 8 個品牌網站上的 8 款相機 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 381.1 s, $0.511 | 1/2, 540.1 s, $0.083 |
| 8 份開發者調查 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 348.6 s, $0.585 | 0/2, 537.0 s, $0.122 |
| 9 款電動 SUV | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 557.3 s, $1.111 | 0/2, 620.2 s, $0.104 |
| 9 個開放權重模型 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 1/2, 448.1 s, $0.703 | 1/2, 548.0 s, $0.110 |
| 9 家 SaaS 供應商的合規情況 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 1/2, 434.7 s, $0.598 | 0/2, 452.0 s, $0.081 |
| 9 項標準的現行版本 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 2/2, 282.9 s, $0.675 | 2/2, 386.3 s, $0.059 |
| 9 個品牌的旗艦手機 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 439.4 s, $0.620 | 0/2, 509.0 s, $0.077 |
| 9 家 CI 服務的免費方案 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 350.6 s, $0.525 | 0/2, 617.3 s, $0.118 |
| 9 個無伺服器平台的免費方案 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 209.9 s, $0.319 | 1/2, 390.7 s, $0.077 |
| 9 場開發者大會的主題演講 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 429.1 s, $0.586 | 0/2, 949.7 s, $0.114 |
| 9 個地區最近一次選舉 | 從 8 個或更多網站收集相同欄位 | 雙方都未通過 | 0/2, 582.7 s, $1.114 | 0/2, 625.3 s, $0.120 |
| 9 個語言執行階段的最新版本 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 326.9 s, $0.638 | 0/2, 464.1 s, $0.090 |
| 9 款桌面瀏覽器的最新穩定版 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 2/2, 263.2 s, $0.510 | 2/2, 552.6 s, $0.104 |
| 9 個前端框架的最新穩定版 | 從 8 個或更多網站收集相同欄位 | DeepSeek V4.1 Flash 通過次數更多 | 0/2, 252.0 s, $0.375 | 2/2, 425.9 s, $0.069 |
| 9 個司法管轄區的最低工資 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 520.4 s, $0.834 | 0/2, 630.3 s, $0.088 |
| 9 個音樂服務中的同一張專輯 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 2/2, 260.6 s, $0.660 | 2/2, 485.6 s, $0.055 |
| 10 個來源中同一本書的各版次 | 從 8 個或更多網站收集相同欄位 | DeepSeek V4.1 Flash 通過次數更多 | 1/2, 315.6 s, $0.477 | 2/2, 498.5 s, $0.061 |
| 9 個撞擊測試計畫中的同一款汽車 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 1/2, 345.1 s, $0.524 | 0/2, 609.2 s, $0.104 |
| 8 家監管機構的同一種藥品資料 | 從 8 個或更多網站收集相同欄位 | 雙方都未通過 | 0/2, 52.7 s, $0.060 | 0/2, 614.5 s, $0.117 |
| 9 家機構的同一場地震資料 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 321.3 s, $0.750 | 0/2, 694.1 s, $0.109 |
| 8 家分級機構的同一款遊戲資料 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 496.2 s, $0.659 | 0/2, 666.1 s, $0.092 |
| 10 個博物館館藏中的同一幅版畫 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 465.4 s, $0.777 | 0/2, 693.7 s, $0.098 |
| 9 份發行版安全公告中的同一個 sudo CVE | 從 8 個或更多網站收集相同欄位 | 通過次數相同,費用更低 | 2/2, 389.0 s, $0.487 | 2/2, 280.1 s, $0.045 |
| 9 個全國性榜單同一週的榜首 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 2/2, 530.8 s, $0.771 | 2/2, 631.1 s, $0.090 |
| 9 家機構的第二季 GDP 初估值 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 471.3 s, $0.927 | 1/2, 616.9 s, $0.105 |
| 12 家中央銀行的利率決策 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 374.9 s, $0.620 | 0/2, 496.5 s, $0.109 |
| 9 個供應商產品版本的支援日期 | 從 8 個或更多網站收集相同欄位 | 通過次數相同,但更慢 | 2/2, 273.8 s, $0.390 | 2/2, 327.4 s, $0.065 |
| 9 個套件登錄平台中的 protobuf 執行階段 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 1/2, 415.8 s, $0.544 | 0/2, 566.7 s, $0.082 |
| 9 個電影節的最高獎項 | 從 8 個或更多網站收集相同欄位 | GPT-6.1 Sol 通過次數更多 | 2/2, 628.3 s, $0.969 | 0/2, 665.1 s, $0.093 |
更新紀錄:2026 年 11 月 9 日首次發布,採用 2026 年 11 月 7 日的執行結果;72 項任務中,每個模型對每項任務各嘗試兩次。


