Novita：模型智能、性能与价格
分析 Novita 各模型的关键指标，包括质量、价格、输出速度、延迟、上下文窗口等。 本分析旨在帮助你根据使用场景，选择 Novita 提供的最佳模型。
最智能
Intelligence Index
共 85 个模型
速度最快
输出速度
共 85 个模型
价格最低
每 100 万 token 的混合价格
共 85 个模型
Novita 提供 85 个模型，每个模型的智能、性能和价格特征各不相同。 下方对比了各模型的关键指标。
- 智能方面，Novita 上表现最好的模型是 GLM-5.2 (max) (FP8)（51）、MiniMax-M3（44）和DeepSeek V4 Pro (max)（44）。
- 输出速度方面，最快的模型是 NVIDIA Nemotron 3 Nano (FP4)（277 t/s）、NVIDIA Nemotron 3 Nano (FP4)（245 t/s）和Qwen3 Next 80B A3B（183 t/s）。 各模型之间的速度差异显著，最快与最慢相差 65%。
- 延迟方面，Llama 4 Scout（0.84 秒）、Llama 3.1 8B（0.87 秒）和Llama 4 Maverick (FP8)（0.93 秒） 的首个答案 Token 延迟最低。
- 价格方面，Llama 3.1 8B（$0.02）、gpt-oss-20b (high)（$0.05）和gpt-oss-20b (low)（$0.05） 每 100 万 token 的混合价格最低。 各模型价格最多相差 2.8 倍。
- 上下文窗口方面，GLM-5.2 (max) (FP8)（1M）、DeepSeek V4 Pro (max)（1M）和DeepSeek V4 Pro (high)（1M） 支持 Novita 上最大的上下文窗口。
亮点
智能评测
Artificial Analysis Intelligence Index
Intelligence Evaluations
Agentic real-world work tasks, (Elo-500)/2000
Agentic tool use
Agentic coding & terminal use
Coding
Reasoning & knowledge
Scientific reasoning
Physics reasoning
Knowledge
1 - hallucination rate
Long context reasoning
Agentic knowledge work, Elo
Agentic SaaS workflows
Legal agentic work, criterion pass rate
Agentic business operations
Instruction following
Long-horizon agentic tasks
Kubernetes incident root-cause analysis
Visual reasoning
Intelligence Index vs. Price
上下文窗口
Context Window
价格
Intelligence Index vs. Price
性能摘要
Output Speed vs. Price
速度
按输出速度（每秒 token 数）衡量
Output Speed
延迟
按首 Token 延迟（秒）衡量
Latency: Time To First Answer Token
端到端响应时间
Seconds to output 500 tokens, calculated based on time to first token, 'thinking' time for reasoning models, and output speed
End-to-End Response Time vs. Price
进一步分析 | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
GLM-5.2 (max) (FP8) | 1.05M | 开放 | 51 | $0.42 | 43 | 2.20 | 60.62 | 46.74 | |||
MiniMax-M3 | 1M | 开放 | 44 | $0.13 | 110 | 1.31 | 24.10 | 18.23 | |||
DeepSeek V4 Pro (max) | 1.05M | 开放 | 44 | $0.23 | 65 | 1.71 | 76.79 | 67.38 | |||
Kimi K2.6 | 262k | 开放 | 44 | $0.33 | 51 | 1.64 | 97.95 | 86.58 | |||
DeepSeek V4 Pro (high) | 1.05M | 开放 | 43 | $0.20 | 60 | 1.91 | 43.15 | 32.97 | |||
 MiMo-V2.5-Pro | 1.05M | 开放 | 42 | $0.04 | 50 | 2.31 | 52.08 | 39.82 | |||
Kimi K2.7 Code | 262k | 开放 | 42 | $0.22 | 42 | 3.48 | 67.80 | 52.53 | |||
 Hy3 | 262k | 开放 | 41 | $0.04 | 64 | 2.78 | 41.92 | 31.32 | |||
DeepSeek V4 Flash (max) | 1.05M | 开放 | 40 | $0.06 | 110 | 1.71 | 57.35 | 51.08 | |||
GLM-5.1 (FP8) | 205k | 开放 | 40 | $0.30 | 50 | 2.24 | 87.21 | 75.07 | |||
GLM-5 FP8 | 203k | 开放 | 40* | -- | 39 | 2.04 | 93.36 | 78.66 | |||
MiniMax-M2.7 (FP8) | 205k | 开放 | 38 | $0.06 | 53 | 1.70 | 57.47 | 46.35 | |||
DeepSeek V4 Flash (high) | 1.05M | 开放 | 37 | $0.04 | 110 | 1.69 | 17.55 | 11.30 | |||
MiMo-V2.5 | 1.05M | 开放 | 37 | $0.01 | 73 | 2.01 | 36.43 | 27.54 | |||
Qwen3.6 27B | 262k | 开放 | 37 | $0.29 | 58 | 3.03 | 110.04 | 98.35 | |||
Kimi K2.5 | 262k | 开放 | 35 | $0.10 | 38 | 1.30 | 93.43 | 78.85 | |||
GLM-5.1 (FP8) | 205k | 开放 | 35* | -- | 42 | 2.88 | 14.76 | -- | |||
Kimi K2.6 | 262k | 开放 | 35* | -- | 43 | 2.00 | 13.72 | -- | |||
Qwen3.5 27B | 262k | 开放 | 34* | -- | 51 | 5.71 | 54.30 | 38.87 | |||
GLM-4.7 | 205k | 开放 | 34 | $0.35 | 35 | 3.60 | 75.48 | 57.50 | |||
 KAT-Coder-Pro V2 | 256k | 专有 | 34 | -- | 108 | 1.87 | 6.50 | -- | |||
Qwen3.5 397B A17B | 262k | 开放 | 34 | $0.36 | 68 | 1.72 | 55.59 | 46.56 | |||
MiniMax-M2.5 | 205k | 开放 | 34* | -- | 94 | 1.74 | 28.43 | 21.35 | |||
Kimi K2 Thinking | 262k | 开放 | 33* | -- | 37 | 1.66 | 68.37 | 53.36 | |||
GLM-5 (FP8) | 203k | 开放 | 32* | -- | 39 | 1.98 | 14.65 | -- | |||
Qwen3.5 122B A10B | 262k | 开放 | 32 | $0.26 | 107 | 1.87 | 25.28 | 18.73 | |||
DeepSeek V3.2 | 164k | 开放 | 32 | $0.09 | 36 | 2.90 | 73.05 | 56.12 | |||
Qwen3.5 397B A17B | 262k | 开放 | 32* | -- | 69 | 1.94 | 9.15 | -- | |||
Qwen3.6 35B A3B | 205k | 开放 | 32 | $0.19 | 143 | 1.53 | 42.64 | 37.62 | |||
MiniMax-M2.1 | 205k | 开放 | 31* | -- | 82 | 1.79 | 32.13 | 24.27 | |||
Qwen3.6 27B | 262k | 开放 | 30 | $0.40 | 60 | 2.86 | 11.12 | -- | |||
DeepSeek V3.1 Terminus (FP8) | 131k | 开放 | 30 | -- | 36 | 2.99 | 71.94 | 55.16 | |||
Kimi K2.5 | 262k | 开放 | 29* | -- | 38 | 1.39 | 14.43 | -- | |||
 Gemma 4 31B | 262k | 开放 | 29 | $0.04 | -- | -- | -- | -- | |||
Qwen3.5 35B A3B | 262k | 开放 | 29* | -- | 138 | 1.62 | 19.77 | 14.52 | |||
GLM-4.6 | 205k | 开放 | 29 | $0.30 | 56 | 2.63 | 47.54 | 35.92 | |||
MiniMax-M2 | 205k | 开放 | 28* | -- | 83 | 2.09 | 32.38 | 24.23 | |||
MiMo-V2.5-Pro | 1.05M | 开放 | 28* | -- | 50 | 2.05 | 12.08 | -- | |||
GLM-4.7 | 205k | 开放 | 27* | -- | 36 | 3.58 | 17.44 | -- | |||
Gemma 4 26B A4B | 262k | 开放 | 26 | $0.04 | 35 | 2.37 | 74.64 | 57.82 | |||
DeepSeek V3.2 Exp (FP8) | 164k | 开放 | 25* | -- | 35 | 2.48 | 73.25 | 56.62 | |||
DeepSeek V3.2 | 164k | 开放 | 25* | -- | 38 | 2.56 | 15.85 | -- | |||
Qwen3.6 35B A3B | 205k | 开放 | 24 | $0.42 | 168 | 1.46 | 4.43 | -- | |||
Qwen3 Max | 262k | 专有 | 24* | -- | 37 | 3.17 | 16.73 | -- | |||
gpt-oss-120b (high) | 131k | 开放 | 24 | $0.03 | 89 | 1.05 | 29.05 | 22.39 | |||
Kimi K2 0905 | 262k | 开放 | 24* | -- | 37 | 1.35 | 14.76 | -- | |||
GLM-4.6 | 205k | 开放 | 23* | -- | 59 | 2.63 | 11.10 | -- | |||
GLM-4.7-Flash | 200k | 开放 | 23* | -- | 94 | 1.68 | 28.18 | 21.20 | |||
Gemma 4 31B | 262k | 开放 | 22 | $0.04 | 24 | 1.53 | 22.33 | -- | |||
DeepSeek V3.1 Terminus (FP8) | 131k | 开放 | 21* | -- | 34 | 2.80 | 17.32 | -- | |||
DeepSeek V3.2 Exp (FP8) | 164k | 开放 | 21* | -- | 36 | 2.86 | 16.87 | -- | |||
Qwen3 Coder Next (FP8) | 262k | 开放 | 21 | $0.20 | 168 | 2.76 | 5.74 | -- | |||
DeepSeek V3.1 | 164k | 开放 | 21* | -- | 35 | 2.90 | 17.39 | -- | |||
DeepSeek V3.1 | 131k | 开放 | 21* | -- | 35 | 2.80 | 74.08 | 57.02 | |||
Qwen3 VL 235B A22B | 131k | 开放 | 21* | -- | 48 | 2.42 | 54.22 | 41.44 | |||
Gemma 4 26B A4B | 262k | 开放 | 20* | -- | 37 | 2.96 | 16.64 | -- | |||
DeepSeek R1 0528 | 164k | 开放 | 20* | -- | 25 | 1.22 | 102.37 | 80.92 | |||
Qwen3 235B A22B 2507 | 131k | 开放 | 20 | $0.08 | 62 | 2.27 | 42.31 | 32.03 | |||
Kimi K2 | 131k | 开放 | 19* | -- | 38 | 1.45 | 14.77 | -- | |||
DeepSeek R1 (Jan) Turbo | 64k | 开放 | 19 | $0.13 | 23 | 1.27 | 126.34 | 103.10 | |||
DeepSeek R1 (Jan) | 64k | 开放 | 19 | $0.57 | 22 | 1.25 | 133.03 | 108.64 | |||
Qwen3 235B 2507 | 131k | 开放 | 18* | -- | 36 | 1.68 | 15.44 | -- | |||
Qwen3 Coder 480B | 262k | 开放 | 18* | -- | 70 | 2.18 | 9.35 | -- | |||
MiniMax M1 80k | 1M | 开放 | 18* | -- | 92 | 1.93 | 28.98 | 21.64 | |||
GLM-4.6V | 131k | 开放 | 17* | -- | 67 | 4.65 | 41.79 | 29.72 | |||
GLM-4.7-Flash | 200k | 开放 | 16* | -- | 95 | 2.18 | 7.42 | -- | |||
DeepSeek V3 0324 | 164k | 开放 | 15 | $0.05 | 39 | 1.79 | 14.71 | -- | |||
gpt-oss-120b (low) | 131k | 开放 | 15 | $0.01 | 80 | 1.13 | 32.43 | 25.04 | |||
gpt-oss-20b (high) | 131k | 开放 | 15 | $0.02 | 62 | 1.08 | 41.39 | 32.25 | |||
gpt-oss-20b (low) | 131k | 开放 | 14* | -- | 70 | 1.19 | 36.88 | 28.56 | |||
Qwen3 VL 235B A22B | 131k | 开放 | 14* | -- | 37 | 2.15 | 15.82 | -- | |||
Llama 4 Maverick (FP8) | 1.05M | 开放 | 14 | $0.04 | 45 | 0.93 | 11.94 | -- | |||
NVIDIA Nemotron 3 Nano (FP4) | 262k | 开放 | 14 | $0.02 | 277 | 1.32 | 10.35 | 7.22 | |||
DeepSeek V3 (Dec) | 64k | 开放 | 14 | $0.06 | 39 | 1.75 | 14.72 | -- | |||
DeepSeek V3 (Dec) Turbo | 64k | 开放 | 14 | $0.03 | 39 | 1.75 | 14.58 | -- | |||
Ling 2.6 Flash | 262k | 开放 | 14 | -- | 100 | 1.17 | 6.17 | -- | |||
Qwen3 Next 80B A3B | 131k | 开放 | 14* | -- | 183 | 1.65 | 4.38 | -- | |||
GLM-4.6V | 131k | 开放 | 11* | -- | 83 | 3.71 | 9.73 | -- | |||
Qwen3 235B (FP8) | 41k | 开放 | 11* | -- | 28 | 1.26 | 19.18 | -- | |||
Llama 4 Scout | 131k | 开放 | 10 | $0.01 | 54 | 0.84 | 10.13 | -- | |||
Qwen3 VL 30B A3B | 131k | 开放 | 10* | -- | 84 | 1.55 | 7.48 | -- | |||
Llama 3.3 70B | 131k | 开放 | 9 | $0.02 | -- | -- | -- | -- | |||
GLM-4.5V | 65.5k | 开放 | 9* | -- | 80 | 1.78 | 33.01 | 24.98 | |||
Llama 3.1 8B | 16.4k | 开放 | 8 | -- | 137 | 0.87 | 4.52 | -- | |||
Gemma 3 27B | 98.3k | 开放 | 7 | $0.11 | 36 | 1.50 | 15.54 | -- | |||
NVIDIA Nemotron 3 Nano (FP4) | 262k | 开放 | 7* | -- | 245 | 4.43 | 6.46 | -- | |||
GLM-4.5V | 65.5k | 开放 | 7* | -- | 89 | 2.16 | 7.78 | -- | |||
Llama 3 70B | 8.19k | 开放 | 3* | -- | -- | -- | -- | -- | |||
Llama 3 8B | 8.19k | 开放 | 1* | -- | -- | -- | -- | -- | |||
关键定义
常见问题
关于 Novita 的常见问题
Novita 提供我们跟踪的 85 个模型：GLM-5.2 (max) (FP8)、MiniMax-M3、DeepSeek V4 Pro (max)、Kimi K2.6、DeepSeek V4 Pro (high)、MiMo-V2.5-Pro、Kimi K2.7 Code、Hy3、DeepSeek V4 Flash (max)、GLM-5.1 (FP8)、GLM-5 FP8、MiniMax-M2.7 (FP8)、DeepSeek V4 Flash (high)、MiMo-V2.5、Qwen3.6 27B、Kimi K2.5、GLM-5.1 (FP8)、Kimi K2.6、Qwen3.5 27B、GLM-4.7、KAT-Coder-Pro V2、Qwen3.5 397B A17B、MiniMax-M2.5、Kimi K2 Thinking、GLM-5 (FP8)、Qwen3.5 122B A10B、DeepSeek V3.2、Qwen3.5 397B A17B、Qwen3.6 35B A3B、MiniMax-M2.1、Qwen3.6 27B、DeepSeek V3.1 Terminus (FP8)、Kimi K2.5、Qwen3.5 35B A3B、GLM-4.6、MiniMax-M2、MiMo-V2.5-Pro、GLM-4.7、Gemma 4 26B A4B、DeepSeek V3.2 Exp (FP8)、DeepSeek V3.2、Qwen3.6 35B A3B、Qwen3 Max、gpt-oss-120b (high)、Kimi K2 0905、GLM-4.6、GLM-4.7-Flash、Gemma 4 31B、DeepSeek V3.1 Terminus (FP8)、DeepSeek V3.2 Exp (FP8)、Qwen3 Coder Next (FP8)、DeepSeek V3.1、DeepSeek V3.1、Qwen3 VL 235B A22B、Gemma 4 26B A4B、DeepSeek R1 0528、Qwen3 235B A22B 2507、Kimi K2、DeepSeek R1 (Jan) Turbo、DeepSeek R1 (Jan)、Qwen3 235B 2507、Qwen3 Coder 480B、MiniMax M1 80k、GLM-4.6V、GLM-4.7-Flash、DeepSeek V3 0324、gpt-oss-120b (low)、gpt-oss-20b (high)、gpt-oss-20b (low)、Qwen3 VL 235B A22B、Llama 4 Maverick (FP8)、NVIDIA Nemotron 3 Nano (FP4)、DeepSeek V3 (Dec)、DeepSeek V3 (Dec) Turbo、Ling 2.6 Flash、Qwen3 Next 80B A3B、GLM-4.6V、Qwen3 235B (FP8)、Llama 4 Scout、Qwen3 VL 30B A3B、GLM-4.5V、Llama 3.1 8B、Gemma 3 27B、NVIDIA Nemotron 3 Nano (FP4)和GLM-4.5V。
Novita 上最智能的模型是 GLM-5.2 (max) (FP8)，Intelligence Index 得分为 51。
按输出速度计算，Novita 上最快的模型是 NVIDIA Nemotron 3 Nano (FP4)，速度为每秒 276.9 个 token。
Novita 上首个答案 Token 延迟最低的模型是 Llama 4 Scout，延迟为 0.84 秒。延迟越低，初始响应越快。
按混合价格计算，Novita 上最实惠的模型是 Llama 3.1 8B，每 100 万 token 的价格为 $0.02（缓存命中/输入/输出比例为 7:2:1）。
Novita 上各模型价格最多相差 174 倍，从最实惠的 Llama 3.1 8B（每 100 万 token $0.02）到最昂贵的 DeepSeek R1 (Jan)（每 100 万 token $4.00）。
是，Novita 提供兼容 OpenAI 的 API，可以轻松从 OpenAI 切换，或继续使用现有的 OpenAI SDK 集成。
Novita 上 85 个模型中，有 82 个支持用于结构化输出的 JSON 模式。
Novita 上 85 个模型中，有 80 个支持函数调用（工具使用）。
是，Novita 提供 46 个推理模型：GLM-5.2 (max) (FP8)、MiniMax-M3、DeepSeek V4 Pro (max)、Kimi K2.6、DeepSeek V4 Pro (high)、MiMo-V2.5-Pro、Kimi K2.7 Code、Hy3、DeepSeek V4 Flash (max)、GLM-5.1 (FP8)、GLM-5 FP8、MiniMax-M2.7 (FP8)、DeepSeek V4 Flash (high)、MiMo-V2.5、Qwen3.6 27B、Kimi K2.5、Qwen3.5 27B、GLM-4.7、Qwen3.5 397B A17B、MiniMax-M2.5、Kimi K2 Thinking、Qwen3.5 122B A10B、DeepSeek V3.2、Qwen3.6 35B A3B、MiniMax-M2.1、DeepSeek V3.1 Terminus (FP8)、Qwen3.5 35B A3B、GLM-4.6、MiniMax-M2、Gemma 4 26B A4B、DeepSeek V3.2 Exp (FP8)、gpt-oss-120b (high)、GLM-4.7-Flash、DeepSeek V3.1、Qwen3 VL 235B A22B、DeepSeek R1 0528、Qwen3 235B A22B 2507、DeepSeek R1 (Jan) Turbo、DeepSeek R1 (Jan)、MiniMax M1 80k、GLM-4.6V、gpt-oss-120b (low)、gpt-oss-20b (high)、gpt-oss-20b (low)、NVIDIA Nemotron 3 Nano (FP4)和GLM-4.5V。推理模型会先进行扩展思考来解决复杂问题，再给出答案。
是，Novita 上 85 个模型中有 83 个是开放权重模型：GLM-5.2 (max) (FP8)、MiniMax-M3、DeepSeek V4 Pro (max)、Kimi K2.6、DeepSeek V4 Pro (high)、MiMo-V2.5-Pro、Kimi K2.7 Code、Hy3、DeepSeek V4 Flash (max)、GLM-5.1 (FP8)、GLM-5 FP8、MiniMax-M2.7 (FP8)、DeepSeek V4 Flash (high)、MiMo-V2.5、Qwen3.6 27B、Kimi K2.5、GLM-5.1 (FP8)、Kimi K2.6、Qwen3.5 27B、GLM-4.7、Qwen3.5 397B A17B、MiniMax-M2.5、Kimi K2 Thinking、GLM-5 (FP8)、Qwen3.5 122B A10B、DeepSeek V3.2、Qwen3.5 397B A17B、Qwen3.6 35B A3B、MiniMax-M2.1、Qwen3.6 27B、DeepSeek V3.1 Terminus (FP8)、Kimi K2.5、Qwen3.5 35B A3B、GLM-4.6、MiniMax-M2、MiMo-V2.5-Pro、GLM-4.7、Gemma 4 26B A4B、DeepSeek V3.2 Exp (FP8)、DeepSeek V3.2、Qwen3.6 35B A3B、gpt-oss-120b (high)、Kimi K2 0905、GLM-4.6、GLM-4.7-Flash、Gemma 4 31B、DeepSeek V3.1 Terminus (FP8)、DeepSeek V3.2 Exp (FP8)、Qwen3 Coder Next (FP8)、DeepSeek V3.1、DeepSeek V3.1、Qwen3 VL 235B A22B、Gemma 4 26B A4B、DeepSeek R1 0528、Qwen3 235B A22B 2507、Kimi K2、DeepSeek R1 (Jan) Turbo、DeepSeek R1 (Jan)、Qwen3 235B 2507、Qwen3 Coder 480B、MiniMax M1 80k、GLM-4.6V、GLM-4.7-Flash、DeepSeek V3 0324、gpt-oss-120b (low)、gpt-oss-20b (high)、gpt-oss-20b (low)、Qwen3 VL 235B A22B、Llama 4 Maverick (FP8)、NVIDIA Nemotron 3 Nano (FP4)、DeepSeek V3 (Dec)、DeepSeek V3 (Dec) Turbo、Ling 2.6 Flash、Qwen3 Next 80B A3B、GLM-4.6V、Qwen3 235B (FP8)、Llama 4 Scout、Qwen3 VL 30B A3B、GLM-4.5V、Llama 3.1 8B、Gemma 3 27B、NVIDIA Nemotron 3 Nano (FP4)和GLM-4.5V。
会。服务商性能可能因基础设施变化、负载均衡和更新而随时间波动。我们持续对所有服务商进行基准测试，并在“随时间变化”图表中展示历史性能趋势。
选择 Novita 上的模型时，请考虑：智能（适合质量敏感型任务）、输出速度（适合吞吐量密集型任务）、延迟（适合需要快速首次响应的交互式应用）、价格（适合成本敏感型工作负载），以及上下文窗口大小、JSON 模式或函数调用支持等功能。