OpenAI ↗
Astra 承接复杂工作，Sol 接续日常任务；沿同题结果比较代际变化。
01 / 源头
模型
先看模型能力处在什么位置，再沿公司的迭代与具体评测，理解它改变了什么。
模型排行榜
Artificial Analysis 综合能力比较
材料读取 · · v4.3
Intelligence Index · 各型号取来源页最高已测档位，保留回退设置；只按同一机构的分数排列。
13 个模型配置 · 筛选保留原榜名次
左右滑动查看分数与评测，模型名称会保留在左侧。
| 名次 | 模型 / 评测配置 | 公司 | 分数 | 进一步了解 |
|---|---|---|---|---|
| 1 | Claude Opus 5.5max · 含回退机制 | Anthropic | 58 | 看评测 → |
| 2 | Claude Sonnet 5.5max · 含回退机制 | Anthropic | 56 | 看评测 → |
| 3 | Claude Fable 5.1max · 含回退机制 | Anthropic | 53 | 看评测 → |
| 3 | GPT-6 Astramax | OpenAI | 53 | 看评测 → |
| 3 | Gemini 4 Argonhigh | Google DeepMind | 53 | 看评测 → |
| 6 | GPT-6.1 Solmax | OpenAI | 52 | 看评测 → |
| 7 | Muse Spark 1.3max | Meta | 48 | 看评测 → |
| 8 | Grok 4.7xhigh | SpaceXAI | 46 | 看评测 → |
| 9 | Qwen3.8 Max (0902)0902 快照 · 源表未单列推理档位 | Alibaba / Qwen | 45 | 看评测 → |
| 10 | Gemini 3.8 Flashhigh | Google DeepMind | 41 | 看评测 → |
| 11 | Qwen3.8-Flash-Next源表未单列推理档位 | Alibaba / Qwen | 40 | 看评测 → |
| 12 | DeepSeek V4.1 Flashmax | DeepSeek | 39 | 看评测 → |
| 13 | Qwen3.8 27Bxhigh | Alibaba / Qwen | 34 | 看评测 → |
这张榜怎样比较？
已收录模型：13 个型号，各取来源页面最高已测推理档位；未标档位的保留原名。按同一来源的显示分数排序，不是全球前 13 名。同分只表示整数显示相同；各模型的档位与回退设置不同，不能当作相同计算预算的测试。
同一榜内按来源分数排序，相同显示分数并列，筛选不会重新编号。不同榜测量的对象不同，不合成一个总分。具体作品、速度、费用和使用条件仍需分别看。
阅读评测方法 ↗公司怎样走到这一代模型
把发布放回前后变化中；每一步都保留原始说明。
Anthropic ↗
Claude 的旗舰与日常型号并行更新，评测之外也看创作、返工与沟通。
Google DeepMind ↗
从 Gemini 3.8 Flash 到 Argon，比较长任务能力，也核对实际开放范围。
Meta ↗
Muse Spark 是模型，Muse 是接入模型、电脑与服务的个人代理；两层分开看。
SpaceXAI ↗
沿 Grok 的版本看代码与知识工作变化，区分标准版本和更快的服务档位。
Alibaba / Qwen ↗
托管 Max、Flash-Next 与可下载的 27B 各有位置，参数规模不能代替实测表现。
DeepSeek ↗
Flash 的视觉与工具能力持续接入现有产品；模型名称与 API 路由要一起核对。
查看 5 次迭代
- V4 Pro / V4 Flash
V4 家族接入 API，Pro 与 Flash 分别提供能力与资源取舍；旧请求名称暂时映射到 Flash。
发布来源 ↗ - V4 Flash Preview → Flash 0731
保留架构与规模，重新后训练并接入 Responses API；这次更新仅面向 Flash API，不能套到 Pro 或网页版本。
发布来源 ↗ - V4 Pro · GA
Pro 正式版进入 App、网页和 API，增加 Responses API 与更灵活的推理档位；调用名称保持不变。
发布来源 ↗ - V4 Flash → Flash Vision Exp
新增实验性视觉模型入口，把图像理解加入 Flash；它是单独的实验型号，之后由 V4.1 Flash 接续。
发布来源 ↗ - V4 Flash / Vision Exp → V4.1 Flash
正式发布原生多模态 Flash；旧 Flash API 名称暂时转接新模型，Pro 继续服务。
发布来源 ↗
从分数继续看评测
每个模型的来源、测试条件与相关作品，在同一个入口接着读。
Anthropic
Claude Opus 5.5
从复杂工作能力到可修改的代码动画，同时看独立评测与真实制作取舍。
评测与演进 →Anthropic
Claude Sonnet 5.5
日常任务的新搭档；分数、档位、输出量与整项任务费用需要放在一起看。
评测与演进 →Anthropic
Claude Fable 5.1
保留为前代参照：同一份手写批注能比单一总分更具体地显示差异。
评测与演进 →OpenAI
GPT-6 Astra
把材料、代码和工具接成长任务；用画图、批注与家具装配建立具体参照。
评测与演进 →Google DeepMind
Gemini 4 Argon
长任务能力的新参照，当前先向受邀测试者开放；按具体任务拆开总分。
评测与演进 →OpenAI
GPT-6.1 Sol
Sol 的后续升级；独立同表比较能帮助理解它与 Astra 的能力和费用位置。
评测与演进 →Meta
Muse Spark 1.3
Muse 背后的能力模型；区分模型改进、产品接入与个人代理的实际体验。
评测与演进 →SpaceXAI
Grok 4.7
官方强调长时间编码、知识工作与自查；先分清版本变化和已验证结果。
评测与演进 →Alibaba / Qwen
Qwen3.8 Max 0902
托管 Max 的明确快照版本；官方强调代码、工具协作和视觉理解。本站尚无该版本的独立正文评测。
评测与演进 →Google DeepMind
Gemini 3.8 Flash
作为 Argon 的前代参照，保留同一机构、同一榜单中的任务差异。
评测与演进 →Alibaba / Qwen
Qwen3.8-Flash-Next
看清稀疏模型的总量与激活量，并把可下载权重和托管服务分开。
评测与演进 →DeepSeek
DeepSeek V4.1 Flash
原生图像理解接上文件与工具；从官方推理曲线看多想一会儿的收益与代价。
评测与演进 →Alibaba / Qwen
Qwen3.8-27B
较小规模的图文与视频理解模型；先核对思考模式、上下文和部署资料。
评测与演进 →