Claude Mythos 5、GPT-5.6、Gemini 3.2、Qwen 3.7 与 DeepSeek V4.1：2026 年 6 月的前沿模型大刷新

五款前沿模型，两周窗口——而 MMLU 排行榜已不再是值得盯的那条轴。截至 2026 年 6 月下旬，每家实验室都押在了不同的一条轴上，所以采购侧真正要问的不是哪一款最好，而是先选轴，再选模型。Anthropic 把 Claude Mythos 5 推到 GA（同时 Fable 5 进入 preview），OpenAI 放出 GPT-5.6，Google 推出 Gemini 3.2，中国阵营则以 Qwen 3.7 与 DeepSeek V4.1 回敬——这一切都挤在同一个两周窗口里发生。

速览

五款旗舰，五条不同的进攻轴。下表先列基本信息；其下的条形图与特性矩阵会呈现各自真正最用力的方向。

模型	发布时间	定价（美元 / 百万输出 token）	头条强项
Claude Mythos 5（GA）	2026 年 6 月中旬	约 $15	编码与智能体式推理
GPT-5.6	2026 年 6 月中旬	约 $10	自主电脑使用
Gemini 3.2	2026 年 6 月中旬	约 $6	多模态延迟与性价比
Qwen 3.7	2026 年 6 月中旬	约 $2	开源权重、多语种
DeepSeek V4.1	2026 年 6 月中旬	约 $1.40	价格地板与推理经济性

快照：2026 年 6 月下旬。各家定价档每周都在动；上下文长度从 200K（Claude、GPT）到 1M（Gemini），Qwen 原生 256K、DeepSeek 128K——这些数字在 API 档位与权重发布之间还会变，承诺之前请对照当前的 model card 核实。

SWE-bench Verified 快照，2026 年 6 月下旬。条形之间已经够紧——下一季度排名还会再翻一次，读它们的次序，别读差值。

每款模型最用力的方向。这张矩阵故意做得参差不齐——没人哪一项都强，而且各家强项几乎从不重叠。

发布时间线

五款前沿模型挤在 14 天的窗口里发布。本文的论点就在这里：这次收敛本身才是故事。

这次收敛不是巧合。Anthropic 与 OpenAI 大致按季度节奏走，两家都在 2026 年第二季度留了各自旗舰更新的档期；Google 的 Gemini 周期早在 I/O 上就已经放过风声。把中国阵营拽进同一个窗口的是DeepSeek V4 在 2026 年 4 月那次定价，它把推理工作负载的每 token 经济性压到了别的中国实验室无法忽视的水平。紧随其后的 Qwen 3.7 与 V4.1 刷新，与西方旗舰同处一个两周窗口——这是一次刻意的回应，不是档期意外。

有意思的结构性事实是：五款模型里，没有任何两款在同一条轴上较劲。Anthropic 与 OpenAI 争的是智能体王座（一个走编码，一个走自主电脑使用）；Google 在多模态的性价比上较量；中国阵营赌的是每 token 成本与权重可得性。这两周窗口，就是这五种押注同时变得清晰可读的那一刻。

Claude Mythos 5 GA（+ Fable 5 preview）

Mythos 5 于 2026 年 6 月中旬走到 GA，是一条"两线策略"中的生产线——Mythos 走生产，Fable 走研究 preview。这种分法在设计上就是采购友好的：Mythos 带着企业买方期待的安全评估文档（漏洞感知推理评测、model card 披露、那套 SOC 形态的尽调），并与它取代的 Claude 4 家族共享同一套稳定的 API 表面。Fable 5 与之同发，基于同一套模型架构，但带研究级的后训练扩展（更长的思考轨迹、实验性的工具模式、更锋利的探索性推理）。名字本身就是信号：谁也不用再问某个模型是不是"采购可用"，看后缀就够了。

就当前可见的快照看，Mythos 5 在 Anthropic 整年一直在赢的两条轴上领先——编码与智能体式推理。在 SWE-bench Verified 上它位居这五款的榜首；在长程编码任务上，领先幅度比基准差距所暗示的要更宽。电脑使用那一段是从上一篇关于电脑使用产品形态里讲过的 Vercept 集成延续下来的，意味着 Mythos 5 直接继承了 OSWorld 的领先，而不必再重新打一遍。

Mythos 5 不领先的地方是价格。每百万输出 token 约 $15，它在这五款里以相当舒适的差距坐稳"最贵"位置，与中国阵营的差距是一整个数量级。它的卖点和 Claude 4 时代没变：如果你的单位经济模型扛得住这份每 token 成本，质量与采购故事在整组里是最干净的；扛不住，你接着往下读。对那些主要把 Anthropic 当作"调用其他组件的编排器"用的团队，可以参考智能体框架，看看哪些集成形态能让成本账算得过来。

GPT-5.6

GPT-5.6 是 OpenAI 的"按节奏出货"。它不是一次断点式跃迁——而是把 GPT-5 到现在之间所有出货合并到一个稳定表面上的"按节奏点版本"。推理质量小幅上提；工具使用轨迹更紧凑；model card 上列着数学、代码、长上下文召回那些常见的渐进式胜利。头条故事不在评测数字。它在与 OpenAI 智能体栈的集成深度。

具体讲，GPT-5.6 是首款把 Codex Background CU 与 Operator 作为一等目标（而非旁系产品）出货的 OpenAI 旗舰。同一个模型，驱动 Operator 里那台云端 Chromium，驱动 Codex Background CU 里那些长跑的开发任务，驱动 ChatGPT 对话内的"Agent"表面——而不必为不同表面分别微调出彼此漂移的小模型。这种统一，本身就是自主性优势：当智能体必须在一次任务里从一个工具跨到另一个工具时，底下的模型不会跟着换。这些表面的架构形态以及与其他电脑使用押注的对比，见 Post 1：Claude Computer Use vs Codex CU vs Operator vs Gemini。

每百万输出 token 约 $10，GPT-5.6 定价低于 Mythos 5，但仍明显高于 Gemini 和中国阵营。这个位置是自洽的：如果你买的是"集成式自主"那个故事，你就接受这个价格；如果你买的是一个从自家编排器里调用的模型，你比的就是那一行每 token 成本。在可见基准上，头条编码分数比 Mythos 5 落后几分——小到一两个版本之后就可能再翻一次，也小到自主性那一截差距比百分点更值得在意。

Gemini 3.2

Gemini 3.2 是 Google 3.x 线里的周期中点更新——不是代际变化，而是把 Google 有结构性优势那几块磨得更锋利的一次刷新。多模态延迟是头条：视频理解、图像推理、屏幕截图定位，相对 3.1 都有可测量的提升；1M token 上下文窗口的往返时间，是所有支持该长度的模型里最低的。对那些"智能体得看一帧、决策、出手，而用户都还没察觉到停顿"的产品，Gemini 3.2 是架构上就为它而塑形的那一款。

Workspace 集成是这次押注的第二片拼图。Gmail、日历、Docs、Sheets、Drive 全都拿到了第一方的 Gemini 表面，3.2 这次更新把那些流——摘要、回邮草稿、表格公式合成——拧得更紧，而不改模型 API。同一个模型驱动消费级 Gemini app、Workspace 表面与企业级 Vertex AI 档位；代价是最深的集成，只有在用户本就在 Google 生态里时才回得本。

每百万输出 token 约 $6，Gemini 3.2 落在五款的中段——比西方两巨头便宜，比中国阵营贵——而它的性价比位置，是 Google 一直在稳步打磨的那条线。在通用推理上，以当前快照看，它落后于 Mythos 5 与 GPT-5.6；在多模态以及它瞄准的那类工作负载的"每质量单位价格"上，它领先。1M token 上下文已经宽到长文档 RAG 看起来更像"塞进窗口里就行"，而不再是检索问题——好用，但要带上"长上下文召回退化得比头条数字更快"这条常规注脚。

中国阵营

中国阵营里居前的两位是 Qwen 3.7 与 DeepSeek V4.1，正是它俩让 6 月下旬这扇窗里同时出现五款旗舰、而不是三款。Qwen 3.7 在 Qwen3 家族那条"语言覆盖加混合推理"的赌注上，叠加了更锋利的智能体工具使用后训练、更广的多模态覆盖，以及家族延续下来的 Apache-2.0 许可证。DeepSeek V4.1 在 V4 那次 4 月定价齐射之后接上一次质量小幅提升——延续 V3 一脉的 MLA + 稀疏注意力架构、精炼过的后训练、以及 V4 线被压进市场的同一套每 token 经济性。

它们身后的阵营覆盖很广。智谱的 GLM-6 出货一款带混合推理的开源权重 MoE，在多语种轴上与 Qwen 一较高下；腾讯的 Hunyuan Large 3 拿下"闭源中文旗舰"的位置，带强势的中文域后训练；百度的 ERNIE 5.1 落在 ERNIE 5 一脉里，延续 ERNIE 多年来面向"中文企业"的同一种话术；字节的 Doubao Pro 守住消费级规模的价格地板，为字节产品矩阵里的部署上下文优化。这四款没有哪一款在前沿基准上领先，但合在一起，这个阵营在价格上大到无法忽视、在权重可得性上深到无法忽视。

定价压力才是故事。DeepSeek V4 在 2026 年 4 月那次发布，把输出 token 价格压到了别的中国阵营成员不在数周内回应就跟不上的水平——他们都回应了。Qwen 3.7 的托管 DashScope 档约在每百万输出 token $2；DeepSeek V4.1 自家 API 底价约 $1.40；阵营其余成员都落在这个区间里。对比西方三家的 $6、$10、$15，这个阵营在它瞄准的高吞吐推理工作负载上便宜了整整一个数量级。这种压缩不是一次临时促销——这是阵营承诺要守住的价格地板。

权重可得性是这个阵营拉开领先的第二条轴。Qwen 3.7 以 Apache 2.0 发布，权重上 Hugging Face 与 ModelScope；DeepSeek V4.1 以 MIT 发布，同样的渠道；GLM-6 从智谱的 GitHub 开放权重。对那些需要自托管的团队——出于数据边界、离线部署，或托管 API 在规模上做不平的单位经济模型——中国阵营是这五家实验室里唯一肯把"前沿档 checkpoint"放出来下载的那一家。西方三家是清一色"闭源 API only"。

横向对比

推理

就可见的推理快照看——SWE-bench Verified、GPQA、长程智能体轨迹——Mythos 5 微弱领先，GPT-5.6 以小幅差距尾随，Gemini 3.2 在纯推理上比西方两家低一档，但在"多模态绑定的推理"任务上领先。Qwen 3.7 与 DeepSeek V4.1 落在下一档，其中 Qwen 在多语种推理上拉前，DeepSeek 在"成本调整后的推理"（同样的答案，花费只占一小部分）上拉前。相邻档位之间的差距已经小到一两个发布之后排名就可能再翻一次；最强两位与最弱两位之间的差距更宽，但每季度都在收窄。把这些当快照读，不要当作耐用的排序——见读懂基准里讲的"把排行榜次序当稳定信号"的那个陷阱。

电脑使用

在 API 层面，GPT-5.6 是自主电脑使用的领跑者——Codex Background CU 与 Operator 都把它作为一等目标出货，而"同一份 checkpoint 跨 OpenAI 三块智能体表面"那个统一模型故事，本身就是另外四家不再做一次单独微调就赶不上的自主性差距。Mythos 5 继承了 Vercept 之后的 Claude Computer Use 架构，在原始 OSWorld 分数上领先——意思是"自己搭 harness 时，它在每任务成功率上赢"；但你直接买现成集成式智能体产品时，它落后。Gemini 3.2 占住"Workspace 里的浏览器标签"那一道，在它瞄准的场景里是三家中最快的。Qwen 3.7 与 DeepSeek V4.1 没有第一方电脑使用产品；开源权重的电脑使用栈（browser-use、UI-TARS、CogAgent）可以跑在它们之上，但与闭源领跑者之间的差距是真的存在的，集成负担落在你这一边。

多模态

Gemini 3.2 在多模态上全面领跑——视频、图像、音频、屏幕截图——加上 1M token 上下文宽到视频推理看起来更像"一段超长 prompt"。Mythos 5 与 GPT-5.6 都出货了强势的"视觉输入"能力（图像推理、为各自电脑使用栈的屏幕截图定位），但没想着去追 Gemini 在视频上的深度。Qwen 3.7 同期出货 Qwen3-VL 兄弟，带可观的图像推理，且仍在同一套 Apache 2.0 之下——这让它成为这组里唯一一款具备认真"视觉输入"能力的开源权重旗舰。DeepSeek V4.1 在旗舰档保持纯文本；DeepSeek-VL 一脉是另立的兄弟线，原始视觉基准上落后于其他几家。如果你的产品是"多模态优先"的，次序是 Gemini → Qwen-VL → Mythos/GPT → DeepSeek。

性价比

2026 年 6 月下旬托管 API 输出 token 价格的快照。整张图跨了整整一个数量级——西方两巨头在顶，中国阵营贴地板。

价格这张图是所有对比里最干净的一张，因为单位是客观的，而跨度有一个数量级。Mythos 5 的 $15 与 GPT-5.6 的 $10 是高端档，买的是质量与集成；Gemini 3.2 的 $6 是中间档，买的是多模态与 Workspace 契合；Qwen 3.7 的 $2 与 DeepSeek V4.1 的 $1.40 是成本地板，买的是纯粹的 token 经济性。决定你能负担哪一档的临界点要看工作负载——背后的取舍框架见成本、质量与延迟——但对那种每次工具调用都重放长前缀的高吞吐智能体循环，与中国阵营之间的数量级差距会以"质量差距移不动"的方式撬动单位经济模型。价格是快照，档位是快照；真正耐用的是相对次序，不是具体数字。

权重可得性

西方三家是清一色"闭源 API only"——Mythos 5、GPT-5.6、Gemini 3.2 都不出权重，也没有公开的开源路线图。中国阵营恰好相反：Qwen 3.7 以 Apache 2.0 出货，DeepSeek V4.1 以 MIT 出货，GLM-6 以及阵营其余在宽松或近宽松许可证下开权重（一份 14B 的 Qwen 3.7 稠密兄弟跑在单卡 H100 上；一份 4-bit 量化的 DeepSeek V4.1 能放进一台 8×H200 节点）。对那些必须要权重的采购场景——气隙部署、不能走厂商 API 的数据边界制度、有硬性离线要求的受监管行业——选择是结构性的：阵营是唯一的选项。代价是地缘政治与审计开销：在西方企业里跑一份中国实验室的 checkpoint；这个权衡的框架见开源与闭源模型。

该选哪一个

使用场景	西方最佳选项	中国阵营最佳选项	理由
企业采购	Mythos 5（Fable 5 作为研究 preview 兄弟）	经 DashScope 或区域合作方托管的 Qwen 3.7	Mythos 的安全文档加上"兄弟线分发"那一招，把采购清得干干净净；Qwen 的 Apache 2.0 在买方需要权重时，是宽松许可的兜底。
智能体式终端工作	经 Codex Background CU 调用的 GPT-5.6	Qwen 3.7 + 开源智能体循环（Qwen-Agent SDK）	GPT-5.6 的统一模型自主性，是开箱即用的赢面；Qwen-Agent 在"工作必须留在你自己基础设施上"时，出货第一方的工具模式。
多模态产品	Gemini 3.2——在视频、音频与 1M token 上下文上领跑	Qwen 3.7（配 Qwen-VL 兄弟做视觉输入）	Gemini 占住多模态延迟与 Workspace 集成；Qwen-VL 是这组里唯一的 Apache-2.0 视觉—语言旗舰。
自托管 / 必须有权重	没有——西方三家清一色闭源 API only。	Qwen 3.7(Apache 2.0）或 DeepSeek V4.1(MIT)	选择是结构性的：只有中国阵营出货前沿权重。Qwen 取最干净的许可，DeepSeek 取最便宜的推理经济。
价格优化的批量推理	若产品形态本就贴 Workspace，选 Gemini 3.2；否则跨到阵营那边。	DeepSeek V4.1——这组里的价格地板。	对那种每 token 成本压过质量差距的批处理工作负载，DeepSeek 的 $1.40 档是西方三家给不出的单位经济答案。

常见问题

Mythos 5 是不是就是 Opus 改了个名？

不是。Mythos 5 是一条新的"两线命名策略"的生产线，接替 Claude 4 家族——Mythos 走 GA，Fable 走研究 preview——它带着新一轮训练与后训练出货，不是一次重新贴标。名字本身就是采购信号：看到 "Mythos" 你就可以按常规尽调放到生产；看到 "Fable" 它就是研究级、变动更频繁。API 表面与 Claude 4 端点兼容，迁移是机械动作，但端点后面的模型是新的。

高吞吐推理里，哪一款最便宜？

DeepSeek V4.1——相对西方三家便宜大约一个数量级。截至 2026 年 6 月下旬，它的托管 API 底价约为每百万输出 token $1.40，对比 Gemini 的 $6、GPT-5.6 的 $10、Mythos 5 的 $15。Qwen 3.7 的 $2 紧随其后，而且这两款中国阵营模型你都可以自托管，把成本再压下去。常见的注脚一并要带：价格每周都在动，各家档位会变，西方三家的预留容量合约可以为承诺型买方收窄差距。

单卡 H100 能跑得动 Qwen 3.7 吗？

旗舰那款 MoE checkpoint 跑不动，但稠密兄弟可以。Qwen 3.7 家族同时出货从几个 B 一直到约 32B 的稠密模型与 MoE 旗舰，全在同一套 Apache 2.0 之下；一份 14B 或 32B 的稠密 Qwen 3.7，在单卡 H100 上跑得很从容，配上 Qwen-Agent SDK 的工具使用行为也很强。旗舰 MoE 想要一个多卡节点。"开源权重前沿"里这条稠密阶梯，正是只看头条数字会被遮住的部分。

GPT-5.6 在编码上把 Claude 拉下马了吗？

从可见快照看，还没有。Mythos 5 在 SWE-bench Verified 上仍以几个百分点领先，在"智能体得跨多个回合管理状态"的长程编码任务上，领先幅度更宽。GPT-5.6 的编码分相对 GPT-5 有提升，与 Mythos 5 的差距也小到下一个版本就可能翻转——但截至 2026 年 6 月下旬，在草稿期可见的基准上，Mythos 5 仍戴着编码王冠。有意思的问题不是"谁在 bench 上领先"，而是"谁在你真正跑的那个循环里领先"。

中国阵营的权重是不是真的宽松许可？

对，两位领跑者都是。Qwen 3.7 以 Apache 2.0 出货，DeepSeek V4.1 以 MIT 出货——两者都是无限制商业使用的许可，无 MAU 上限，也无"派生模型命名"那种限制。许可证文本就是它写的那个意思。对西方买方，真正的实际问题不在许可证本身；而在于把一份中国实验室的 checkpoint 放进受监管企业的采购开销——供应链溯源、model card 审计、与安全团队的地缘政治对话。许可证是宽松的；部署对话是更长的。

Mythos 和 Fable 到底有什么区别？

Mythos 是生产线：GA 稳定、做过安全评估，带着可以签进采购文档的同一份 API 合同。Fable 是研究 preview 线：同一套模型架构与家族，但带实验性的后训练扩展——更长的思考轨迹、更锋利的探索性推理、原型工具模式——加上一个不那么采购友好的更快变更节奏。这种分法是刻意的：没人再用问"这份 checkpoint 是不是企业可用"，看线名就知道。生产用 Mythos，探索用 Fable。