OpenAI
GPT-5
總分
92
OpenAI 先前的旗艦推理模型，適合 coding、agent 任務與廣泛專業工作。
reasoningcodingagentic
上下文視窗
400K tokens
速度
均衡
獨立整理的 AI 模型與技能目錄
更快選到適合的 AI 組合，少一點盲猜。
VerdictLens 用更清楚的取捨說明、官方連結與結構化資料，幫團隊瀏覽 AI 模型、工具層與實際使用場景。
01
29 個已驗證 AI 模型
02
1528 個 live skills，附設定摘要與官方連結
03
28 個編輯精選 · 547 個已驗證收錄 · 953 個更廣泛的目錄項目
快速 shortlist 概覽
如果已經有候選名單，直接把 2–3 個模型並排比較。
先從模型列表縮小候選，再用 compare 一次檢查價格、速度、上下文視窗與工作流適配。
GPT-5
OpenAI
Score
92
Claude Sonnet 4.6
Anthropic
Score
92
Gemini 2.5 Pro
Google
Score
91
從這裡開始
先從三條清楚路徑開始。
你可以先看模型、先看支援工具，或直接從要完成的工作出發。首頁先把這三種決策路徑攤清楚。
精選模型
瀏覽 AI 模型
用更容易掃描的方式瀏覽主流模型，直接掌握價格、速度、優勢，並看到官方連結。
Anthropic
Claude Sonnet 4.6
總分
92
Anthropic 較均衡的 Claude 層級，適合廣泛 production、coding 與 agent 編排。
balancedcodingagents
上下文視窗
200K tokens
速度
均衡
Gemini 2.5 Pro
總分
91
Google 在 Gemini 2.5 系列中最先進的模型，適合複雜推理與 coding 任務。
multimodalreasoninglong-context
上下文視窗
1M tokens
速度
均衡
Perplexity
Sonar Pro
總分
87
Perplexity 進階搜尋模型，提供更深內容理解與更高搜尋準確度。
searchresearchgrounded
上下文視窗
Search-context dependent
速度
均衡
精選技能
瀏覽 AI 技能與工具
真正決定模型能不能穩定落地的，通常是工具與工作流層。這裡先把那一層整理得更好讀。
Coding 與開發工具 · CLI coding agent
Codex CLI
總分
90
OpenAI 的終端優先 coding agent，可編輯程式、執行指令並進行 agent 式開發迴圈。
codingcliagent
難度
容易
來源
OpenAI docs
記憶與知識層 · Workspace knowledge access
Notion MCP
總分
86
Notion 官方的 MCP 整合，可把 workspace 搜尋、頁面、留言與結構化資料來源暴露給 AI client。
mcpnotionknowledge
難度
中等
來源
Notion docs
執行環境與沙盒 · Containerized MCP gateway
Docker MCP Gateway
總分
85
Docker 的 gateway，可在容器化且較容易治理的環境中執行並代理 MCP servers。
dockermcpgateway
難度
中等
來源
Docker docs
Coding 與開發工具 · Agent skill installer and discovery CLI
Vercel Skills
總分
86
Vercel 的 open skills CLI，可在多種 coding agents 之間探索、安裝與管理可重用的 agent skills。
skillscliagentskills
難度
容易
來源
Vercel docs
使用場景
使用場景指南
先從要完成的工作出發，再往下選最適合的模型與技能組合。
評分方式
夠結構化，才值得參考；夠彈性，才跟得上變化。
模型分數 = 能力 30、場景適配 25、成本效率 15、速度 10、可靠性 10、Agent 就緒度 10。
技能分數 = 實用性 25、相容性 20、安裝難度 15、可靠性 15、文件品質 10、採用度 10、安全維護 5。
分數綜合 benchmark 訊號、產品體驗與編輯權重，適合拿來做實務判斷，不代表絕對真理。
給團隊與 AI 代理使用的結構化資料
從第一天起就提供乾淨、可公開使用的結構化資料。
每個端點都方便檢視、重用與索引，適合網站、內部工具、搜尋與 AI 回答引擎使用。