Artificial Analysis 改用「单任务耗时」作为头号性能指标：GPT-6 Astra 满档约 17 分钟完成一题，快于 Opus 5.5 与 Gemini 4 Carbon

核心背景与行业痛点

过去比较大模型 API 性能，大家主要看每秒输出 tokens。但随着工作负载越来越偏 Agent，开发者真正关心的是一件事要多久做完。Artificial Analysis 在 X 上发帖称，逐 token 快但输出冗长的模型，完成任务可能反而比慢一些、用 token 更少的模型更久，因此把头号指标改为 Time per Task。

架构亮点与底层机制

据官方帖子和方法论页（3.0.0 版，10 月 30 日），新版有四项变化：一是 Time per Task 由每题输出 tokens 除以端到端输出速度得出；二是速度从发出请求算到最后一个 token，把 prefill 和隐藏推理的等待也算进去，token 数改用各家 API 自报；三是在短、文档级、长上下文请求之外加入多轮编码与知识工作 Agent 会话，取过去 5 天平均；四是同时测各家 API 默认档和最高档。

权威 Benchmark 与实测跑分对比

官方数据：在 Intelligence Index 约 45–55 区间，Pareto 前沿主要由 GPT-6 Astra 与 GPT-6.1 Sol 占据。GPT-6 Astra（max）仅 51 tokens/s，但每题约 5 万 tokens、约 17 分钟；Claude Opus 5.5（max）111 tokens/s、约 26 分钟；Gemini 4 Carbon（high）71 tokens/s、约 29 分钟。默认 medium 档能把耗时降约 3–5 倍、成本降约 2–4 倍，代价是指数低约 5–11 分。

开发者实战落地与开箱指南

选模型做 Agent 时，可以直接看 Artificial Analysis 的 Time per Task 与 Cost per Task，而不只看 tokens/s；多数场景先用各家默认档，必要时再开最高档。官方也提醒，只追求解码速度的端点（如低 batch 排队或憋到最后一次性返回）在新口径下下降最多。以上均为 Artificial Analysis 自有测量。