模型

模型排行榜

先看同一评测中能力处在什么位置,再看具体作品和用途。分数不代表所有任务;high、max 是测试时的思考档位,Pi 是用于编程比较的工具配置。 看作品 · 看实际用途

Artificial Analysis 综合能力比较

材料读取 · · v5.0.1

原始榜单 ↗

Intelligence Index · 2026-10-29 起整表切换到 Artificial Analysis Intelligence Index v5.0(方法页同日标注 v5.0):GDPval-AA 退出,FrontierCode 2.0(132 个真实开源仓库任务、由维护者按“愿不愿合并”评分、阻塞检查失败记零)占 15%,Terminal-Bench 4.0 占 10%,知识工作/编码/科学/通用四类各占 25%,多个评测使用私有数据。各型号仍取来源表最高已测档位,保留回退设置;v5.0 与 v4.3.2 分数不能跨版本比较。Kimi K3、Qwen3.8-Flash-Next 与 Nemotron 3.5 Bolt 74B-A9B 在 v5.0 源表暂无分数,本轮不列行(v4.3.2 的 44/40/21 保留在原记录);GLM-5.3-Flash 在 10 月 31 日重读时首次出现 v5.0 分数并以 28 分入列(源表未单列推理档位,v4.3.2 的 42 保留在原记录);GPT-6.1 Terra 已出现在源表并按本榜规则补入;Gemini 4 Carbon(10 月 28 日发布)high 档 59 分居首,尚未普遍开放。Grok 4.7 在 v5.0 下取 high;11 月 4 日源表 xhigh 也到 35,与 high 并列,仍取 high。只在同一机构同一版本口径内比较;该指数主要评估英文文字任务,中文与图像能力另看实际评测。10 月 31 日整表重读:其余 28 行分数未变;GLM-5.3-Flash 以 28 分入列。11 月 2 日整表重读:30 行分数与档位配置未变;源表新增未收录行(如 DeepSeek V4 Pro 0813、Inkling 等)沿用“其他新行未收录”的既有口径。11 月 3 日整表重读:30 行分数与档位配置未变;新出现的未收录行(Nanbeige4.3-33B、K2 Horizon、Qwen3.5 系列等)沿用“其他新行未收录”的既有口径;AA 页 Grok 4.7 行机构标注现为 SpaceXAI,不作为站内事实记录。此前记录保留:Mistral Large 4 权重于 10 月 29 日开放,源表撤下 Preview 行,发布版权重以 high 26(medium 23)入列,Preview 时期的 25 保留在原记录;Mistral Small 4 等其他新行未收录。11 月 4 日整表重读:25 行分数与档位配置未变,5 行各 +1:Carbon 60、Opus 5.5 59、Muse Wonder 44、DeepSeek 1017 33、Ling 1019 30——重读前的“Carbon 与 Opus 并列居首”变为“Carbon 单独居首”;新增未收录行(Nanbeige4.3-33B、K2 Horizon、Inkling Small 等)沿用“其他新行未收录”的既有口径。11 月 5 日整表重读:30 行分数与档位配置未变;Hy4 首次入源表并以 35 分入列(推理版本,源表未单列推理档位),落在 Grok 4.7 的 35(high)与 Qwen3.8 Max 的 34 之间;新增未收录行沿用既有口径。11 月 6 日整表重读:31 行分数与档位配置未变;新增未收录行沿用既有口径。11 月 8 日整表重读:31 行分数与档位配置未变;新增未收录行(Inkling 2 Small 等)沿用既有口径。11 月 9 日整表重读:30 行分数与档位配置未变;Claude Sonnet 5.5(max)由 54 升至 55,与 GPT-6.1 Sol(max)并列,条目顺序随源表把 Sol 置于 Sonnet 之前;新增未收录行(Inkling 2 Small、Command A+ 等)沿用既有口径。11 月 10 日整表重读:已收录 31 行中 30 行分数与档位配置未变;源表撤下 Claude Fable 5.1,新列 Claude Fable 5.2(max 65 居首、xhigh/high 62、medium 56、low 54)与 Muse Ember(max 36、xhigh 34);Fable 5.1 行按 Spark 1.3 先例保留原记录(xhigh 含回退 50,来源行已撤);新未收录行(Fable 5.2、Muse Ember、Agnes 2.5 Pro Theta 等)沿用「其他新行未收录」的既有口径。同轮稍后:Claude Fable 5.2 完成目录化并入本榜(max 65 居首,scope 31→32);Muse Ember 等其余未收录行照旧在榜外。同日晚轮:Muse Ember 读 Meta 官方开发者页后完成目录化并入本榜(max 36,与 Claude Haiku 5.5 并列;scope 32→33),官方页自报同口径 AA 文字指数 36(xhigh 34 为本站 11-10 晨整表回读记录);其余未收录行照旧。11 月 11 日整表重读:实际列出行数核对为 31 行——此前注记沿用的「scope 32→33」与列表不符,属计数漂移,以本行数为准(31 行含按 Spark 1.3 先例保留的 Fable 5.1 行);已收录 31 行的最高已测档位分数与配置全部未变,Fable 5.2(max 65)继续居首;源表为 Gemini 4 Carbon 新增 medium 58、low 54 两行(本站行仍取 high 60);Carbon 已于 11 月 10 日普遍开放(前文「尚未普遍开放」是 10 月 29 日的当时记录);新增未收录行沿用既有口径。11 月 13 日整表重读(直连 HTML 抓取;web_reader 返回的是尚无 Hydrogen 的缓存页,已用直连核验并采用直连结果):已收录行实际为 33 行——11-11 注记「实际列出行数核对为 31 行」与列表不符,属行数核对再次漂移(Nemotron 3.5 Super VL 与 Muse Glimmer 两行以多行格式追加,被按行清点漏计),一并更正;33 行最高已测档位分数与配置全部未变。源表新增 Gemini 4 Hydrogen 四行(xhigh 54/high 51/medium 41/low 27),与官方 11-12 发布同日;模型已目录化,按本榜规则以最高已测档位 xhigh 54 入列(scope 33→34)。方法页现标注 v5.0.1,版本史写明 5.0.1(2026 年 11 月起)仅「采纳 CritPt 作者的评分鲁棒性改进并在 CritPt v2 上重评全部模型」;本日全部行显示分数与 11-11 回读一致,榜单连续性不受影响。新增未收录行(Solar Pro 4、Apodex 1.1、JT-4.1 Flash 236B A21B 等)沿用既有口径。11 月 14 日整表重读(直连 HTML 抓取):34 行最高已测档位分数与档位配置全部未变,Fable 5.2(max 65)继续居首;源表未单列档位的行照旧;新增未收录行(Inkling 2 Small 以 31 分出现在源表等)沿用既有口径。11 月 14 日晚间复读(直连 HTML 抓取):34 行最高已测档位分数与档位配置全部未变,行集与晨读一致;Inkling 2 Small(31)、Qwen3.8-Flash-Next(29)等未收录行照旧榜外。11 月 15 日整表重读(直连 HTML 抓取):34 行最高已测档位分数与配置全部未变,Fable 5.2(max 65)继续居首;源表改为每个型号单行显示(最高档位随行内标注,11-13 同页仍按档位分行列出 Hydrogen 四行),展示布局变化不影响本榜各行取值;Inkling 2 Small(31)、Nanbeige4.3-33B(20)、JT-4.1 Flash(19)、MiniMax-M3(19)、K2 Horizon(18)、Solar Pro 4(14)、Apodex 1.1(14)等未收录行照旧榜外。11 月 16 日整表复读(直连 HTML 抓取):34 行最高已测档位分数与配置全部未变,Fable 5.2(max 65)继续居首;未收录行(Inkling 2 Small 31、Nanbeige4.3-33B 20、JT-4.1 Flash 236B A21B 19、MiniMax-M3 19、K2 Horizon 18、Solar Pro 4 14、Apodex 1.1 14)照旧榜外;源表新出现无分数的 Ling 3.1 Flash 行(与已收录的 Ling 3.1 Flash 1019 不是同一行),按既有口径不列。11 月 16 日晚间复读(直连 HTML 抓取):已收录 34 行最高已测档位分数与配置全部未变;源表新出现 Qwen4 Max 行(43 分,源表未单列推理档位)——该模型 11-16 正式发布、11-11 曾开 qwen4-max-preview 限时预览,本轮直读官方页标题与发布事实、数字按 IT之家转述口径记录后完成目录化,并按本榜规则以 43 分入列(scope 34→35);Grok 4.7 源行现显示 Xhigh 35(此前记录为 high 与 xhigh 并列均 35,取值不变,本站行配置注记照旧);新增未收录行(LongCat 2.0、LongCat Flash Lite 无综合分,Inkling Xhigh 12 等)沿用既有口径;无分数的 Ling 3.1 Flash 行仍在。11 月 17 日整表复读(直连 HTML 抓取):已收录 35 行最高已测档位分数与配置全部未变,Fable 5.2(max 65)继续居首,Qwen4 Max 仍 43;源表撤下 Qwen3.8 Max (0902)(34)与 Gemini 3.8 Flash(high 31)两行(页面内嵌模型元数据均标 deprecated),两行按 Fable 5.1/Spark 1.3 先例保留在本榜;11-16 出现的无分数 Ling 3.1 Flash 行已不在;无分区出现的 Qwen3.8 2.4T A95B、GPT-6 Sol Daybreak Blue(max)等行照旧榜外;其余未收录行(Inkling 2 Small 31、Nanbeige4.3-33B 20、JT-4.1 Flash 236B A21B 19 等)沿用既有口径。

正在准备筛选,可先阅读当前榜单。 35 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。

Artificial Analysis 综合能力比较 · Intelligence Index
名次模型 / 评测配置公司分数进一步了解
1Claude Fable 5.2maxAnthropic65看评测 →
2Gemini 4 CarbonhighGoogle DeepMind60看评测 →
3Claude Opus 5.5max · 含回退机制Anthropic59看评测 →
4GPT-6 AstramaxOpenAI57看评测 →
5GPT-6.1 SolmaxOpenAI55看评测 →
5Claude Sonnet 5.5max · 含回退机制Anthropic55看评测 →
7Gemini 4 HydrogenxhighGoogle DeepMind54看评测 →
8GPT-6.1 TerramaxOpenAI51看评测 →
9Gemini 4 ArgonhighGoogle DeepMind50看评测 →
9Claude Fable 5.1xhigh · 含回退机制Anthropic50看评测 →
9Muse Wonder FullmaxMeta50看评测 →
12Kimi K3.1 Pro推理版本;源表未单列努力档位Moonshot AI / 月之暗面46看评测 →
13Muse WondermaxMeta44看评测 →
14Qwen4 Max推理版本;源表未单列推理档位Alibaba / Qwen43看评测 →
15Claude Haiku 5.5maxAnthropic36看评测 →
15Muse EmbermaxMeta36看评测 →
17Grok 4.7high · v5.0 下与 xhigh 并列(均 35)SpaceXAI35看评测 →
17Tencent Hy4推理版本;源表未单列推理档位Tencent Hunyuan / 腾讯混元35看评测 →
19Qwen3.8 Max (0902)0902 快照 · 源表未单列推理档位Alibaba / Qwen34看评测 →
20DeepSeek V4.1 Flash 1017maxDeepSeek33看评测 →
21GLM-5.3maxZ.ai / 智谱32看评测 →
22Gemini 3.8 FlashhighGoogle DeepMind31看评测 →
23MiMo-V2.6-Pro源表未单列推理档位Xiaomi MiMo / 小米30看评测 →
23Ling 3.1 Flash 1019推理版本;源表未单列努力档位InclusionAI30看评测 →
25MiniMax M3.1 Flash源表未单列推理档位MiniMax29看评测 →
25Step 5 Preview源表未单列推理档位StepFun / 阶跃星辰29看评测 →
27GPT-6 LunamaxOpenAI28看评测 →
27GLM-5.3-Flash源表未单列推理档位Z.ai / 智谱28看评测 →
29MiMo-V2.6-Flash源表未单列推理档位Xiaomi MiMo / 小米27看评测 →
30Mistral Large 4 (high)high · 发布版权重;源表另有 medium 23Mistral AI26看评测 →
31Muse Spark OpenxhighMeta25看评测 →
32Qwen3.8 27BxhighAlibaba / Qwen20看评测 →
33Beam 1.0源表未单列推理档位Reflection18看评测 →
34Nemotron 3.5 Super VL源表未单列推理档位NVIDIA14看评测 →
35Muse GlimmerhighMeta6看评测 →
这张榜怎样比较?

已收录模型:35 个型号,各取来源表最高已测推理档位;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 35 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。v5.0/v5.0.1 与旧版分数不可比。

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。

Canva Research ↗

研究图像基础模型与设计工具;生成画面和把图片转换为可编辑设计分别核对。

查看 1 条演进记录
  1. Canva Craft

    原发布日为10月22日。Craft生成画面与Magic Layers的后续设计转换分别有接口、访问条件和额度;26日梳理不算再次发布模型。

    发布来源 ↗

KRAFTON AI ↗

开发Raon系列模型;预览、托管访问和本地模型条件分别核对。

查看 1 条演进记录
  1. Raon-1 mini preview

    这是本次读取日,非推定首发日。官方公开28.8B/4.3B文字MoE预览与Apache2模型卡;自建运行分量化格式、分支和硬件条件。

    核对来源 ↗

Nanbeige LLM Lab / 南北阁 ↗

围绕文字推理、编程与代理任务开发模型;教师与拟蒸馏的小模型分开。

查看 1 条演进记录
  1. Nanbeige4.3-33B

    这是本次读取日,非用HF创建时间猜首发。33B稠密教师与Base已有模型仓库,拟蒸馏3B仍属后续计划。

    核对来源 ↗

Block ↗

Block内的小型AI研究团队以Dessa探索声音训练与实时对话,研究展示与公开产品分别核对。

查看 1 条演进记录
  1. Dessa · 全双工语音研究展示

    原X公布时间为10月23日18:23 UTC(北京时间24日);原页给出选录与M4 Max条件,常规下载/候补仍预告,不据此称开放权重。

    发布来源 ↗

InclusionAI ↗

Ling开放模型与托管评测版本分别核对,保留来源对权重与配置的说明。

查看 1 条演进记录
  1. Ling 3.1 Flash 1019 · AA托管推理版本观察

    AA原榜与模型页观测44分;这是本站观察日,未据1019名称推定精确发布日期。开放家族模型卡另核。

    发布来源 ↗

Recursive ↗

以自动化研究探索模型、训练和本地推理;Flint 的能力、量化与运行机器分别核对。

查看 1 条演进记录
  1. Flint · 模型与本地引擎公开

    开放398亿总参数、约25亿激活的文字编程模型与rec引擎;厂商编程测试不等于现有AA、Pi或物理榜成绩。

    发布来源 ↗

Xiaomi MiMo / 小米 ↗

MiMo 将多模态理解和长任务能力接到API与编程入口;公开RL权重、服务型号和原名退役分别核对。

查看 2 条演进记录
  1. MiMo-V2.6 Pro / Flash · 正式发布

    Model Release记录全模态Pro/Flash与UltraSpeed服务档;Studio更新日志另列9月21日接入,不把产品接入日期替作模型首发。

    发布来源 ↗
  2. MiMo-V2.5 Pro / V2.5 · 旧名称下线

    官方记录北京时间10:00旧ID下线并报错,要求切换V2.6;这是旧入口退役,不是V2.6本日发布。

    发布来源 ↗

Tencent Hunyuan / 腾讯混元 ↗

从混元家族的专用方向看记忆、同传与应用的分工;长期记忆写入与语音同传是两个不同型号,框架、检索、语音合成与最终产出仍分别核对。

查看 3 条演进记录
  1. Hy-Memory-30B-A3B · 研究与模型资料

    公开长期记忆写入研究:在固定框架中学习保留、更新与整合信息;跨四框架结果采用固定20%测试子样本,不能当通用能力排行。

    发布来源 ↗
  2. Hy-SimulMT · 同声传译开源

    30B-A3B 中英双向语音同传模型按 Apache-2.0 开源,两个基座另有 FP8/GGUF;厂商评测 RealSI 时延约 3 秒、人类对比 85.8%,均为厂商口径,与 AA/Pi/Physics 三榜口径不同。

    发布来源 ↗
  3. Hy4 正式版 · API 上线,权重承诺开源

    Hy4 正式版上线腾讯云与 OpenRouter,价格与 preview 同价(输入 6 元/缓存 0.3 元/输出 18 元每百万 token);首次引入视觉与电脑操作。权重与系统卡片官方称“届时”发布,截至本日未开源,第三方榜单暂无 Hy4 行;本站晚轮全文读取官方研究页并复核权重仓。

    发布来源 ↗

NVIDIA ↗

以开放权重、后训练和运行框架连接编程代理与世界模拟;Nemotron与Cosmos的能力、许可、机器条件和实际用途分别核对。

查看 6 条演进记录
  1. Nemotron 3.5 Super VL · 正式发布

    发布120B总参数、12B激活的多模态型号,提供公开权重、训练材料及托管入口;具体精度和硬件配置另看模型卡。

    发布来源 ↗
  2. Nemotron 3.5 Bolt 74B-A9B 24GB · 正式发布

    74B总参数、9B激活的本地代理型号发布;24GB是指定量化配方名称,GGUF长上下文还需额外内存。E4B在这份10月15日原稿中仍为后续计划,后续10月23日正式公开另列。

    发布来源 ↗
  3. Cosmos3-H-Dreams · 动作条件手术模拟

    公开从内窥镜画面与双臂动作延续视频的专用型号;两步/四步权重与GPU运行框架分开,尚无临床有效性或现有物理榜成绩。

    发布来源 ↗
  4. Nemotron 3.5 Bolt E4B · BF16与4GB制品公开

    原研究和模型卡列GA日期10月23日:Gemma-4-E4B后训练、8B总量/4B effective,提供BF16与Q4_K_M GGUF。4GB指目标负载显存空间,不是整机内存承诺。

    发布来源 ↗
  5. Nemotron 3.5 Transcribe 30B-A4B · 开放权重

    语音转写专用 SALM 出现在 HF 趋势:40 语言、单条录音最长 1 小时,34B 总参/约 4.3B 激活(含音频编码器),BF16/FP8/NVFP4,1×H100 可部署,OpenMDW-1.1 许可。本站 10 月 29 日读卡;确切权重开放日未在卡中标注,此为检查日。

    发布来源 ↗
  6. Cosmos 3 · 四个开放权重后训练例

    HF 官方博客公布 Cosmos3-Nano-Transfer-Auto/Sim-Auto/Sim-Transfer/Sim-Bimanual:16B 可训练参数、OpenMDW1.1,面向 11 视角+LiDAR 驾驶模拟与双臂机器人动作到视频;仓 8 月建、权重 10-30 更新,博客 11-05 宣布。物理榜新增 Cosmos 行,Super (Astra) 65.47 排第二;AA/Pi 不适用。

    发布来源 ↗

MiniMax ↗

本轮接入M3.1 Flash的正式模型、推理档位和独立结果;API、订阅与后续权重分别核对。

查看 4 条演进记录
  1. MiniMax M3.1 Flash

    正式版进入API、M Plan与MiniMax Code,1M上下文、五档推理;权重与Pro另待后续。

    发布来源 ↗
  2. M3.1 Flash · 公开权重文件核对

    固定54e4e69d模型卡、48主分片与DSpark、NVFP4部署和社区许可已回读;这是核对日,不据仓库创建或修改时间推定精确权重开放日。

    发布来源 ↗
  3. MiniMax H3 · 音画同生开放权重核对

    官方模型卡与许可文本回读:H3-Omni-Transformer 33B 稠密单流(约13B AdaLN 推理可不加载)、4–15秒 24fps 32kHz 立体声、最高2K;HF 仓 7-28 建立(11-09 API 核对),许可文本标注发布/许可日 2026-08-02,适用 territory 为美欧英韩之外;社区压缩衍生(HyperFlow H3 Flash)按同许可分发,非官方产品。

    发布来源 ↗
  4. MiniMax H3-Image · 开放权重模型卡核对

    官方图像生成与编辑模型卡回读:H3 家族去音频分支的 33.1B 单流 DiT,沿用 MiniMax-H3 文本编码器;直出约 16MP(4096×4096 至 21:9),蒸馏到 6 步、无 CFG,编辑最多 16 张参考图;权重含 66.28GB transformer 与 2.34GB VAE,文本编码器复用 H3 仓库,另有本地提示扩写模型 PE。这是核对日;仓库创建(11-03)与实际开放时点分开记录,适用许可为 H3-Image 社区许可。独立图像评测未见同身份条目,缺口如实保留。

    发布来源 ↗

PrismML ↗

Bonsai 2 用三值权重缩小本地模型文件;基座、视觉组件、运行版本与实际内存分别核对。

查看 2 条演进记录
  1. Ternary Bonsai 2 27B

    基于 Qwen3.8-27B 的三值权重模型发布,采用 Apache 2.0;文件大小和厂商保留率不等于设备实测。

    发布来源 ↗
  2. Ternary Bonsai 2 2B / 4B / 9B

    家族新增基于 Qwen3.5 的三个较小型号,提供 GGUF 和 MLX 权重;视觉组件和客户端另有运行条件。

    发布来源 ↗

Cactus Compute ↗

让小设备在本地转录语音、选择工具和提取字段;Whistle、Needle 3 的权重与 SDK 执行分别理解。

查看 1 条演进记录
  1. Whistle · 原发布

    公开 16.9 MB 语音转录模型,支持七种语言,与 Needle 3 共用 CPU 引擎;工具调用 JSON 仍需软件接到实际服务或设备。

    发布来源 ↗

TypeSafe AI ↗

System One 把材料与预设选项接成概率判断;Jev 1.14 预览与稳定别名仍指向的 1.13 分别看。

查看 2 条演进记录
  1. Jev / System One · 首次公开发布

    首个 System One 型号公开;不能把家族首发日期当成后续 1.13 的发布日期。

    发布来源 ↗
  2. Jev 1.14 · 预览可用

    jev-preview 指向 1.14,jev-latest 仍为稳定 1.13;两版默认请求 64k、单题 32k,可另开长上下文。

    发布来源 ↗

Odyssey ↗

以动作之后的环境预测连接模拟与机器控制;公开预览和物理测试配置分别看。

查看 2 条演进记录
  1. Odyssey-3 · 技术介绍

    基础世界模型研究公开,说明观察、动作数据与机器策略的适配。

    发布来源 ↗
  2. Odyssey-3 · 研究预览

    开放Flash浏览器研究入口,并发表标准与Pro的物理续视频测试;两者不是同一配置。

    发布来源 ↗

Krea ↗

围绕图像编辑、参考图与创作迭代提供模型和产品;厂商速度示例与本站独立榜单分开看。

查看 1 条演进记录
  1. Krea 3 · 图像编辑

    官方发布原生2K编辑模型,最多六张参考图,经Krea及合作平台提供;发布资料的排队与计费条件不等于本站同题实测。

    发布来源 ↗

Elorian ↗

Glimpse 通过再次查看图像与片段理解视觉任务;模型给出的观察和规划,与底层机器人策略的执行分别看。

查看 1 条演进记录
  1. Glimpse · 研究预览

    官方开放 API 与聊天预览,展示图像复查、视频理解和上层机器人规划;公布的是厂商测试与示例,不是三张现有榜单的独立成绩。

    发布来源 ↗

StepFun / 阶跃星辰 ↗

Step 5 Preview 面向长程工具任务,已有托管接口与开放权重;模型卡、服务输出限制与独立评分分别看。

查看 1 条演进记录
  1. Step 5 Preview · 技术说明

    公开 92 层架构、长上下文和代理训练方法;这是技术说明日期,不作为型号首次发布或权重首次开放的证明。

    发布来源 ↗

Mistral AI ↗

Large 4 权重已开放,沿图文理解、编码任务、许可条件与安全定位接续。

查看 2 条演进记录
  1. Mistral Large 4 · Public Preview

    新一代通用图文模型开放 API 预览;官方计划月底发布权重。

    发布来源 ↗
  2. Mistral Large 4 · 开放权重

    权重按预览时的月底承诺开放:Hugging Face 提供 FP8 主仓库与官方 NVFP4 量化,许可为修改版 MIT(MaaS 经营需另行商业授权);API 定价每百万 token 输入 0.70 美元、输出 2.10 美元。

    发布来源 ↗

Reflection ↗

Beam 从预览代码演示走到正式 1.0 开放权重;文字模型、托管 API 与工具生成的作品分别看。

查看 2 条演进记录
  1. Beam · Preview

    首款模型预览面向编码、推理与工具任务;API 渐进开放,权重计划在本月发布。

    发布来源 ↗
  2. Beam 1.0 · 开放权重

    BF16、FP8 与 NVFP4 主权重按 Apache 2.0 发布,另有 DFlash2 草稿模型;当前正式 API 为 1M 合计上下文。

    发布来源 ↗

OpenAI ↗

Astra、Sol、Luna 与 Terra 接续复杂工作、日常、高频与低价电脑操作任务;同一 Luna 的 Decisions 另看接口条件。

查看 9 条演进记录
  1. GPT-6 Astra

    GPT-6 的复杂任务模型发布,接续材料理解、工具操作与文件交付。

    发布来源 ↗
  2. GPT-6 Sol / Luna

    Sol 与 Luna 加入 GPT-6 家族,提供不同能力与费用取舍。

    发布来源 ↗
  3. GPT-6 Sol → GPT-6.1 Sol

    Sol 更新到 6.1;官方强调代码、电脑操作和专业工作上的提升。

    发布来源 ↗
  4. GPT-6 Luna · Decisions API beta

    同一 Luna 型号增加专用的预设答案接口,返回真假、选项或评分;这是接口开放,不是另一份模型权重。

    发布来源 ↗
  5. GPT-6.1 Sol · Ultrafast

    同一Sol型号增加API速度档;能力版本与原榜单身份保留,费用和产品入口另看实际条件。

    发布来源 ↗
  6. GPT-6 Luna · Decisions API GA文档观察

    10月23日读取的正式指南标为GA,仍用同一gpt-6-luna;这是文档状态观察,不据此推定新的模型发布日期。输入、拒答与计费条件接回原Jev专题。

    发布来源 ↗
  7. GPT-6.1 Terra

    Terra 更新到 6.1:官方称专业电脑任务比 GPT-5.6 Terra 高 15 个百分点、成本约三分之一,标准 API 价格低 50%;同日进入 GitHub Copilot 全线。AA 榜当日尚无其条目。

    发布来源 ↗
  8. Model Spec · 五价值观重组

    行为规范按五条价值观重组:忠于人类意图、尽量减少伤害、诚实与透明、促进人的自主性、关怀;新增“审慎考虑上下文”小节,更新指令层级,退役大部分细化风格指导,模型改称“GPT”。这是规范文件更新,不是新模型。

    发布来源 ↗
  9. GPT-6 Cyber

    网络安全专用模型发布:ExploitGym 48.5%(上代 32.1%),Preparedness 网络安全 Critical(自 High 上调);API 与 Codex 先给已批准的 Daybreak Red 客户,渐进扩大,GPT-5.6 Cyber 同步开放给全体 Daybreak Red。三榜不适用,缺口在目录注明。

    发布来源 ↗

Anthropic ↗

Claude 的公开型号与受限研究型号分别看,评测之外也看创作、返工与研究如何验证。

查看 7 条演进记录
  1. Claude Mythos 5 · 受限发布

    与 Fable 5 采用相同底层模型,部分防护与开放范围不同;最初面向经筛选的合作组织,不能据此推断公众可用。

    发布来源 ↗
  2. Claude Mythos 5 → 5.1

    后续 5.1 继续采用核验访问;10月量子电路研究明确使用旧版 Mythos 5,不替换为 5.1、Fable 或 Opus。

    发布来源 ↗
  3. Opus 5 → Opus 5.5

    升级复杂工作与沟通表现;代码动画和同题游戏已有公开作品。

    发布来源 ↗
  4. Sonnet 5 → Sonnet 5.5

    第二个 5.5 家族型号发布;关注日常任务速度及不同推理档位的费用。

    发布来源 ↗
  5. Haiku 4.5 → Haiku 5.5

    轻量型号加入可调推理档,短输入单价下降;适合提取、分类与子任务。

    发布来源 ↗
  6. Fable 5.2 与 Mythos 5.2

    同一底层模型两扇门:Fable 面向所有人、带网络安全/生物安全防护(被拦回退 Opus 4.8/5),Mythos 去防护层、限 Cyber 与 Life Sciences 核验组织;$8/$40 每百万 token 低于 5.1,快速模式 2.5×。AA v5.0 独立榜 max 65 居首(本站 11-10 整表回读)。

    发布来源 ↗
  7. Claude API effort 档位与对话中换挡

    官方文档确认 output_config.effort 五档(max/xhigh/high/medium/low,多数模型默认 high,Opus 5.5 与 Haiku 5.5 默认 medium),适用于 Fable/Mythos 5.2、5.1、5 等;顶层改档会破坏提示缓存,经消息内 system 消息逐条换挡则保留缓存——同一段对话可从闲聊档切到复杂分析档。本站 11-12 读官方文档;IT之家同日报道。

    发布来源 ↗

Google DeepMind ↗

沿语言、图像和检索分支看变化:既看长任务,也看改图与设备上的媒体搜索。

查看 10 条演进记录
  1. Gemini 3.7 Flash → 3.8 Flash

    在同一速度和价格定位上继续改进代码、多步推理与代理任务;Flash Cyber 是针对安全工作的另一变体。

    发布来源 ↗
  2. Gemini 4 Argon

    新一代模型公布,先向受邀测试者开放;较高评测分数不等于公众已经能用。

    发布来源 ↗
  3. Nano Banana 2.1

    图像生成与对话编辑更新,强调指定区域修改、主体一致性与文字表现。

    发布来源 ↗
  4. EmbeddingGemma 2

    检索模型从文字扩展到图像、音频与视频的统一表示;公开权重与手机示例同时提供。

    发布来源 ↗
  5. Gemini 4 Argon · 扩大开放

    同一型号进入付费 API、Gemini Pro/Ultra 与开发工具;输入输出共用窗口和长解码条件分别看。Copilot 另有套餐与渐进开放。

    发布来源 ↗
  6. Genie 4

    实时交互世界模型新代:原生音频、文字随时改景、Gemini 规划多步事件;研究预览先给信任测试者,几周后进 AI Ultra 的 Project Genie。三榜无条目,范围缺口如实保留。

    发布来源 ↗
  7. Gemini 4 Carbon

    新前沿模型公布:AA v5.0 综合 59 分(high)居首,官方定位网络安全与长程任务。入口本周先向一小部分网络防御者开放,经 Fairwind 计划扩大,开发者与消费者待定;介绍期输入 2/输出 10 美元每百万 token,其后 4/20。高分不等于普遍可用。

    发布来源 ↗
  8. Gemini 4 Carbon · 普遍开放

    发布两周后经 API(AI Studio/Gemini for business,介绍期仍为 2/10 美元每百万 token)开放给所有付费开发者与企业,AI Ultra 订阅者可在 Antigravity、Gemini 应用与 Search AI Mode 使用;GitHub Copilot 同日跟进。官方同帖给出新基准声明与行为数字(代理诚实基准 92% 对 Argon 70%、自适应红队单次突破率 0.8% 对 3.1%),并把 AlphaProof Code 的 Signal 验证列为代表性使用记录。

    发布来源 ↗
  9. Gemini Robotics 2.5

    视觉-语言-动作模型向机器人伙伴推出:奔驰两条活跃产线的装箱试点成功率 96%(概念验证口径),200 个任务较上一代基线成功率 +30–100%、快 20–30%;训练由 Gemini 4 Argon 充当模拟引擎加速。无公开入口,AA/Pi/Physics 三榜不适用,详情见本站正文。

    发布来源 ↗
  10. Gemini 4 Hydrogen

    家族新增「日常执行」档,第一天全员可用:AI Studio 全档、Gemini API、企业版、Gemini 应用与 Google 搜索(付费 Pro/Ultra 另及 Antigravity 与 Sheets);$1.5/$7.5 每百万 token(1M 上下文一口价),四档思考级别含新 xhigh。AA 独立榜 xhigh 54/high 51(超过 Argon high 的 50)。Antigravity 同步上线 Orchestrator,在同会话内于 Carbon 与 Hydrogen 间切换,官方口径 Terminal-Bench 4.0 成功率接近全 Carbon、省 24% 配额、快 19%。

    发布来源 ↗

Meta ↗

Muse Spark、Wonder 与 Full 经服务接入任务,Spark Open 另交付可部署权重;模型能力、运行内存、许可与产品开放分别看。

查看 6 条演进记录
  1. Muse Spark 1.1 → 1.2

    代码生成、复杂调试和代码库理解升级,并与 Muse Code 一起训练;模型和终端代理同时开放,但属于两层产品。

    发布来源 ↗
  2. Muse Glimmer

    原官方博客明确标注8月10日,开放约30B稠密多模态权重与Apache2;10月26日补录目录/独立AA high17,不改变原事件日。

    发布来源 ↗
  3. Muse Spark 1.2 → 1.3

    官方强调长任务、工具使用与编程改进,max 档进入 Muse Code 和 Meta Model API。

    发布来源 ↗
  4. Muse Wonder / Muse Wonder Full · 首次发布

    新系列强调 Active Memory、Active Focus、长任务与代码;Wonder 开放 Meta Model API 和 Muse Code,Full 面向 Muse Code 订阅者。个人 Muse 的接入仍是后续计划。

    发布来源 ↗
  5. Muse Spark Open · 权重发布

    816B 总参数、42B 激活的多模态模型开放权重,采用 Muse Model License;源自八月 Spark 并追加安全后训练,不能视为 Spark 1.3 或 Wonder 的相同权重。

    发布来源 ↗
  6. Muse Ember · 首次发布

    Meta 至今最小、最便宜的型号,面向代理全天重复的量型执行——工具调用、编码子任务、路由、抽取与长文档解析;原生多模态输入(文字/图像/音频/视频)。Meta Model API 定价每百万 token 输入 $0.10/输出 $0.50(200k 输入以内,超出后 $0.30/$1.50);官方自报 AA 文字指数 36。官方建议与 Wonder/Spark 配合:Wonder 规划,Ember 走量。

    发布来源 ↗

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。

查看 2 条演进记录
  1. Grok 4.5 → 4.6

    继续训练后加强长任务、代码与交互作品,接入 Grok Build、Cursor 和 API;更快的服务档位另计费用。

    发布来源 ↗
  2. Grok 4.6 → 4.7

    采用更大的基础模型,强调长任务和自查;标准输入输出单价与 4.6 相同。

    发布来源 ↗

Alibaba / Qwen ↗

文字模型的Max、Flash-Next与27B和图像2.1/Turbo分别看;能力、部署许可与托管入口都有具体条件。

查看 6 条演进记录
  1. Qwen3.8 Max → Max 0902

    0902 快照升级代码、工具协作和视觉理解;官方保留旧版本与快照的区分。

    发布来源 ↗
  2. qwen3.8-max → Max 0902 (default)

    官方公告将默认 Max 入口切向 0902;这是入口映射调整,不是另一个新模型。

    发布来源 ↗
  3. Qwen-Image-2.1

    生成、透明素材与多图编辑进入同一视觉模型,开放权重材料仍需核对许可。

    发布来源 ↗
  4. Qwen-Image-2.1 Pro API

    新加坡 International 生命周期表列Pro托管接口,不能把10月9日的仓库入口公告当其首发。

    发布来源 ↗
  5. Qwen-Image-2.1 → Turbo

    八步检查点与Turbo托管接口接续多图编辑;去噪步骤不是同条件实际耗时。

    发布来源 ↗
  6. Qwen4-Max

    Qwen4 系列首款旗舰正式发布并接入 API:11-11 先行 qwen4-max-preview 限时预览;总参约 2.4 万亿稀疏 MoE、原生视觉、1M 上下文,权重未开放,小尺寸开源在后;AA 榜同日见 43 分行。

    发布来源 ↗

DeepSeek ↗

Flash 的视觉与工具能力持续迭代,1017 快照接续项目开发;模型权重、API 路由与搜索/抓取服务分别核对。

查看 7 条演进记录
  1. 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 ↗
  2. 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 ↗
  3. 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 ↗
  4. 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 ↗
  5. 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 ↗
  6. V4.1 Flash → Flash 1017

    小更新发布不同权重,网页/App/API 同步;deepseek-flash 名称和模型价格不变,另开放按次计费的搜索/抓取接口。

    发布来源 ↗
  7. Harness 公开预览 · Super-agent 研究原型

    Harness 公开预览并开源(everything-is-a-plugin,Cordis 微内核,npx 启动 Web UI);同日开源 dsh-superagent-prototype(MIT)研究原型:监听 GitHub/飞书的主动式编程代理,Router 接话维护全局上下文、Worker 隔离执行、面板只列需要人的部分。README 写明原型≠内部版本≠设计文章实现,实验为厂商合成负载口径。这是代理基础设施发布,不是新模型;本站 11 月 1 日读仓库文档原文。

    发布来源 ↗

Z.ai / 智谱 ↗

GLM 旗舰沿长任务与软件工程迭代,Flash 单独接入视觉;模型、聊天产品和编码代理分别看。

查看 5 条演进记录
  1. GLM-5

    GLM-5 代面向系统工程与长时间代理任务,接续此前的编程模型。

    发布来源 ↗
  2. GLM-5 → GLM-5.1

    继续加强工程规划、终端任务与持续执行;具体效果仍要看任务与工具配置。

    发布来源 ↗
  3. GLM-5.1 → GLM-5.2

    引入 1M 上下文,继续改进长任务与编码,提供不同思考档位。

    发布来源 ↗
  4. GLM-5.2 → GLM-5.3

    沿用 5.2 的基础模型,通过后训练推进复杂工程与代理任务;旗舰仍为文字输入。

    发布来源 ↗
  5. GLM-5.3-Flash

    单独的新基础模型把原生视觉接入编码、浏览器与文档工作,提供 API 和开放权重入口。

    发布来源 ↗

Moonshot AI / 月之暗面 ↗

K3 旗舰与 Code 的效率路线并行演进;同时看原生视觉、长任务和实际调用的模型入口。

查看 5 条演进记录
  1. Kimi K2.6

    继续推进长程编程与代理任务,提供开放权重,作为后续通用版本的前代参照。

    发布来源 ↗
  2. Kimi K2.7 Code

    编程分支发布并开放权重,继续探索长工程工作与推理用量的取舍。

    发布来源 ↗
  3. Kimi K3

    新旗舰加入原生视觉与 1M 上下文,连接长程编程和知识工作;完整权重在 7 月 27 日另行开放。

    发布来源 ↗
  4. Kimi Code → K2.8 Preview

    常用 kimi-for-coding 入口升级到 K2.8 Preview,强调更有效率的思考;K3 旗舰入口继续并存。

    发布来源 ↗
  5. Kimi K3.1 Pro / Highspeed · Code上线

    Code原记录列23日上线;24日研究博客补技术说明。Pro及高速入口的1M资格、思考与额度分开;权重承诺「11月4日前」:本站11-03/11-04晨两次复核未见,公开证据始于11-04 23:59(北京时间)的首个社区镜像,11-05晨复核96片≈1.56TB已公开——压线兑现,目录与解读接站内新文。

    发布来源 ↗

Cloudflare ↗

把材料交给固定选项判断,再由软件接下一步;模型权重、托管窗口与入口费用分开看。

查看 2 条演进记录
  1. Clef / Clef-flash

    推出两种决策型号,按给定选项返回概率;以消息分类和网页流程说明用途。

    发布来源 ↗
  2. Clef-omni / Clef-flash托管变化

    新增音视频固定选项判断;Flash托管输入费降低,窗口由此前宣传64k改为24k,公开权重不改。

    发布来源 ↗

Liquid AI ↗

面向端侧的小型开放权重家族:一个家族覆盖文本、视觉、音频与全模态,机器条件与专用能力分别核对,不把厂商基准当独立证据。

查看 1 条演进记录
  1. LFM3 家族 · 发布

    发布 LFM3 开放权重家族(Base/1.7B 文本 256K 上下文、VL-2B、Audio-2B、Omni-2B 及 d1 决策变体),主打端侧部署;Omni-2B 约 2.2B 参数、图/视频/音频/文字入、文字与语音出。卡内基准与 10-31 HF 趋势热度按厂商口径与热度事实分别记录,不当作能力证据。

    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。

Canva Research

Canva Craft

Canva Research的图像基础模型,先安排构图再渲染最多2K画面。当前公开生成任务返回图片与可选资产;Magic Layers转成可编辑设计是另一个任务和额度,不把公司55语种或榜位声明当本站中文实测。

评测与演进 →

KRAFTON AI

Raon-1 mini preview

纯文字的28.8B总参数/4.3B激活MoE预览,原生262144上下文,Apache2;官方区分NVFP4的32GB单卡条件与MXFP8卸载,llama.cpp上游支持仍待接入。厂商评测不填入现有三榜,本站未运行。

评测与演进 →

Nanbeige LLM Lab / 南北阁

Nanbeige4.3-33B

33B稠密文字教师模型,以512K上下文与工具调用面向编程和办公任务,Apache2。计划蒸馏的3B尚非此次已发布模型;厂商表的AA-LCR、Terminal-Bench及模拟金额不能当现有综合榜/Pi分数或收入,本站未运行。

评测与演进 →

Meta

Muse Glimmer

Meta的约30B稠密多模态开放模型,文字/图片输入、文字输出,Apache2。AA文字指数在v5.0口径下为6(high;v4.3.2时期的17保留在原记录,两版不混算,本站11-16复核源表该行仍显示6);量化版本24/32GB目标配置与全精度条件分开,不能将8月旧发布写成今日新品或把文字指数泛化为全部代理表现。

评测与演进 →

Block

Dessa

Block的全双工语音研究展示,官方称音频训练、可在MacBook Pro M4 Max及更高配置本地推理;Download与候补仍预告。所读页未给公开权重、模型许可与API条件,现有三榜没有对应可比分数。

评测与演进 →

NVIDIA

Nemotron 3.5 Bolt E4B

Gemma-4-E4B后训练的文字型号,8B总量/4B effective,BF16与Q4_K_M GGUF分别提供。4GB是目标负载显存空间;实际文件、缓存和整机内存分别看。AA行尚无数值,Pi无同型成绩,Physics视频不适用。

评测与演进 →

NVIDIA

Nemotron 3.5 Transcribe 30B-A4B

开放权重的语音转写专用 SALM:40 语言、单条录音最长 1 小时、65,536 token 上下文,34B 总参/约 4.3B 激活(含音频编码器),BF16/FP8/NVFP4,1×H100 80GB 可部署,OpenMDW-1.1 许可。转写属专用能力,AA/Pi 文字指数与 Physics 视频榜不适用;卡内厂商基准(多说话人 cpWER 15.80、英文 WER 4.71 等,10-12 捕获)按厂商口径读。

评测与演进 →

Liquid AI

LFM3-Omni-2B

Liquid AI 首个全模态端侧型号:约 2.2B 参数,图/视频/音频/文字入、文字与 24kHz 语音出,32K 上下文(模型卡),16 种文本与 19 种语音语言,LFM Open License v1.0,非推理模型;官方家族另有 Base/1.7B 文本(256K)、VL-2B、Audio-2B 与 d1 决策变体。全模态端侧属专用能力,AA/Pi 文字指数与 Physics 视频榜不适用,缺口在目录注明;卡内基准(Daily-Omni 70.1 等)与 10-31 HF 趋势下载热度按厂商口径与热度事实分别记录。

评测与演进 →

Moonshot AI / 月之暗面

Kimi K3.1 Pro

K3后训练的新型号;Code上线记录为10月23日,研究博客目录为24日。AA文字指数55为10月23—24日v4.3.2口径;v5.0整表切换后源表该行为46(档位仍未单列,v4.3.2与v5.0不混算);Highspeed入口与权重分别看——承诺「11月4日前」的完整权重已压线公开:本站11-05晨复核官方仓96片≈1.56TB(MXFP4、单次提交11-02),此前仅 OpenRouter/官方 API 可用。

评测与演进 →

InclusionAI

Ling 3.1 Flash 1019

AA单列的托管推理版本,当前智能指数44分、速度暂无数据。AA标为proprietary;同名家族的MIT开放模型卡不能单独证明这是相同权重或推理配方。

评测与演进 →

NVIDIA

Cosmos3-H-Dreams

用初始内窥镜画面和28维双臂动作生成后续视频的手术世界模型,面向机器人模拟研究。模型许可与代码Apache2分开;训练10Hz、推理帧率和临床有效性不同,不继承通用Cosmos或Odyssey的物理榜成绩。

评测与演进 →

NVIDIA

Cosmos 3 Super

Cosmos 3 家族 GA 基座(Super/Nano/Edge 中的大杯):HF 开放权重仓 3 月 10 日创建、9 月 16 日更新,观察时下载 3.8 万次。Physics-IQ 物理续视频榜行 Cosmos 3 Super (Astra) 65.47(Astra 提示词增强+BoN×8)与单次采样 50.80 均为榜单口径;AA/Pi 针对语言与编程模型不适用。

评测与演进 →

NVIDIA

Cosmos 3 Nano

Cosmos 3 家族 16B 可训练参数基座:GA 仓观察时下载 13.7 万次;四个开放权重后训练例(Transfer-Auto/Sim-Auto/Sim-Transfer/Sim-Bimanual)面向 11 视角+LiDAR 驾驶模拟与双臂机器人动作到视频,OpenMDW1.1,单仓 32.4–34.5GB,厂商自测胜 14B teacher。物理榜行 61.83(Astra+BoN×8)与单次 43.00;AA/Pi 不适用。

评测与演进 →

Recursive

Recursive Flint

398亿总参数、约25亿激活的本地文字编程模型,Apache2权重;rec限定机器与至少48GB统一内存。厂商Terminal-Bench2.1/SWE结果不适现有三榜,尚无同口径成绩。

评测与演进 →

Xiaomi MiMo / 小米

MiMo-V2.6 Pro

旗舰全模态推理型号,1M上下文;公开RL卡列1.02T总参数、42B激活和MIT许可。AA同表46;权重配方、托管API与UltraSpeed服务档不作相同运行结果。

评测与演进 →

Xiaomi MiMo / 小米

MiMo-V2.6 Flash

效率取向的全模态推理型号,1M上下文;公开RL卡列309B总参数、15B激活和MIT许可。AA同表38,不能借用Pro46或把Flash名称当消费设备可运行的保证。

评测与演进 →

Tencent Hunyuan / 腾讯混元

Hy-Memory-30B-A3B

约30B总参数、3B激活的长期记忆写入专用型号,为外部框架整理和更新记忆;不替代检索与最终回答。厂商固定20%子样本的四框架比较,与AA文字指数、Pi编程及Physics续视频口径不同;当前没有可直接入这三榜的同身份分数。

评测与演进 →

Tencent Hunyuan / 腾讯混元

Hy-SimulMT (30B-A3B)

约30B总参数、3B激活的中英双向语音同传专用模型,按 Apache-2.0 开源(第三方组件保留原条款),另有 Interleave 与 FP8/GGUF 变体。厂商评测 RealSI 时延约3秒、人类对比 85.8% 均为厂商口径(GEMBA 由 GPT-6.1-Sol 打分);语音输出需另配 TTS。同传任务与 AA 文字指数、Pi 编程及 Physics 续视频口径不同,当前无这三榜的同身份分数。

评测与演进 →

Tencent Hunyuan / 腾讯混元

Hy4

腾讯混元最新一代旗舰的正式版:API 已上线腾讯云与 OpenRouter,价格与 preview 同价(输入 6 元/缓存命中 0.3 元/输出 18 元每百万 token),首次引入视觉与电脑操作;官方称 Hy 首次跻身最强开源模型之列,但权重与系统卡片截至 2026-11-04 仍在“届时”承诺里(GitHub/HF 仅 preview 权重,本站复核)。AA 榜 11-05 整表重读时 Hy4 首次入表,35 分(推理版本,源表未单列推理档位)。“最强开源模型”之说仍是官方定性;附录表与安全审计数字均为官方口径,本站未复现。

评测与演进 →

NVIDIA

NVIDIA Nemotron 3.5 Super VL

120B总参数、12B激活,最多1M窗口,公开权重采用OpenMDW 1.1。BF16卡给出4×H100或2×GB200例,NVFP4另有条件;当前AA26未单标档位,不等于专用后训练后的客户效果。

评测与演进 →

NVIDIA

Nemotron 3.5 Bolt 74B-A9B 24GB

74B总参数、9B激活,最高256K窗口,OpenMDW 1.1。GGUF卡列28GB/65,536与32GB/262,144 token单并发配方,同时核对视觉组件、drafter与机器条件;本站未安装或测试。

评测与演进 →

MiniMax

MiniMax M3.1 Flash

API与五档推理继续可用;10月24日已核公开权重分片、428B总量/23B激活与社区许可。AA43及来源未列努力档位保留,部署配方和实际本地表现分开。

评测与演进 →

MiniMax

MiniMax H3

音画同生开放权重模型:官方模型卡写 33B 稠密单流 Transformer(约 13B AdaLN 推理可不加载),生成带原生 32kHz 立体声的视频,最长 15 秒、24fps、最高 2K,另有 H3-Context-IR 输入理解模块。社区许可适用 territory 为美欧英韩之外。AA/Pi 为文字榜不适用;Physics-IQ 为视频续写(v2v)任务,与文生/图生不同轨,2026-11-07 回读的行集中无 H3——无同口径分数,不入榜不排名。

评测与演进 →

PrismML

Ternary Bonsai 2 2B

基于 Qwen3.5-2B 的图文模型;PTQ1_0 语言权重约 0.43GB,不代表峰值内存,视觉与运行框架另看。当前 AA/Pi 无同身份成绩,不继承基座分数;Physics 续视频不适用。

评测与演进 →

PrismML

Ternary Bonsai 2 4B

基于 Qwen3.5-4B 的图文模型;PTQ1_0 语言权重约 0.95GB,不代表峰值内存,视觉与运行框架另看。当前 AA/Pi 无同身份成绩,不继承基座分数;Physics 续视频不适用。

评测与演进 →

PrismML

Ternary Bonsai 2 9B

基于 Qwen3.5-9B 的图文模型;PTQ1_0 语言权重约 2.00GB,不代表峰值内存,视觉与运行框架另看。当前 AA/Pi 无同身份成绩,不继承基座分数;Physics 续视频不适用。

评测与演进 →

PrismML

Ternary Bonsai 2 27B

Bonsai 2 的较早 27B 型号,源自 Qwen3.8-27B;不能混用后来三个 Qwen3.5 小型号的规格或测试。三值权重不继承基座分数,当前 AA/Pi 无同身份成绩,Physics 续视频不适用。

评测与演进 →

TypeSafe AI

Jev 1.14 Preview

文字与结构化文字的预设判断模型;jev-preview 指向 1.14,稳定 jev-latest 仍为 1.13。默认 64k 请求/32k 单题,长上下文另开;当前三榜无同口径成绩,不能借旧版游戏结果。

评测与演进 →

Meta

Muse Spark Open

816B 总参数、42B 激活,接收文图音视频并输出文字;权重可按 Muse Model License 自行部署,公开量化示例仍占数百 GB 内存。AA 的 xhigh 为 39,与 Spark 1.3、Wonder 分别看。

评测与演进 →

Meta

Muse Wonder Full

Wonder 系列的 Full 型号,官方强调记忆、持续执行和代码工作;AA max 文字指数为 56,与普通 Wonder 分开。当前经 Muse Code 订阅使用,不能把其分数当成普通 API 型号的表现。

评测与演进 →

Meta

Muse Wonder

新系列面向长任务、电脑操作与代码,官方以 Active Memory 和 Active Focus 说明记忆与接续;AA max 文字指数为 52。已开放 Meta Model API 和 Muse Code,个人 Muse 接入尚在后续计划,Full 是另一型号。

评测与演进 →

Meta

Muse Ember

Meta 至今最小、最便宜的型号,定位是代理全天重复的量型执行——工具调用、编码子任务、路由、抽取与长文档解析;原生多模态输入(文字/图像/音频/视频)。Meta Model API 定价每百万 token 输入 $0.10/输出 $0.50(200k 输入以内,超出 $0.30/$1.50);AA 文字指数 max 36(xhigh 34),官方自报约 $0.13 每任务(max 推理口径)。官方基准里强在自动化与终端执行,FrontierCode 2.0-AA 27.2 仍低于 Haiku 5.5 的 34.9;官方建议与 Wonder/Spark 配合走「规划—走量」分工。经 Muse Code 订阅与 Meta Model API(模型名 muse-ember-1.0)使用;官方页无日期标注,发布日期按发布当日报道记 11-09,本站 11-10 读官方页。

评测与演进 →

Cactus Compute

Cactus Whistle

16.9 MB 的 CPU 语音转录模型,七种支持语言没有中文;可与 Needle 3 共用引擎,返回文字和工具参数。转录错误率与当前文字、代码及物理榜分别看。

评测与演进 →

Cactus Compute

Needle 3

具有独立权重的分层小模型,按给定工具或结构填入名称与参数;SDK 执行函数是后续环节。当前三榜无同口径分数,单独版本首发日尚未从官方材料确立。

评测与演进 →

TypeSafe AI

Jev 1.13

文字或 JSON 状态的预设判断;稳定 jev-latest 仍指向 1.13,1.14 另有预览。原游戏结果属于 1.13,不能转借新版;单独发布日期仍未从官方材料确立。

评测与演进 →

OpenAI

GPT-6 Luna

GPT-6 的高频明确任务型号;本榜 max 文字指数与同一模型的 Decisions 专用接口分别看,接口价格和输出类型也不同。

评测与演进 →

Cloudflare

Clef

文字、JSON、图像或视频的固定选项判断;27B源架构,托管限制与权重能力分别核对。当前三张榜单无同口径成绩。

评测与演进 →

Cloudflare

Clef-flash

9B源架构的决策型号;10月9日改托管价格与输入窗口,未发布一份新Flash权重。当前三榜无可比分数。

评测与演进 →

Cloudflare

Clef-omni

30B-A3B源架构,把音频和视频接入选项概率;一次打分不等于持续代理。当前三榜无同口径成绩,原模型卡及服务条件分别保留。

评测与演进 →

Odyssey

Odyssey-3

边移动边预测环境的世界模型;公开入口标为Flash,和物理测试的标准型号分开。

评测与演进 →

Mistral AI

Mistral Large 4

万亿参数图文模型;10 月 29 日权重按承诺开放,许可、综合榜分数与安全定位分别看,MaaS 经营需另行授权。

评测与演进 →

Reflection

Beam Preview

保留 10 月 5 日预览与 10 月 6 日 256K Beta 记录,接宇航员游戏演示。正式 1.0 已于 10 月 16 日开放权重;检查点是否相同未明确,不继承新型号分数。

评测与演进 →

Reflection

Beam 1.0

正式开放的 501B/23B 文字模型,主权重 Apache 2.0,当前 API 为 1M 合计上下文、128K 最大输出。AA 为 30 分且原表未标推理档位;不与旧 Preview 的身份或厂商成绩合并。

评测与演进 →

Krea

Krea 3

图像编辑模型;发布页最多六参考图,现行API列八,五张起各最长边限1536px。App用计算额度,API限beta工作区。1K/2K基础价$0.03/$0.06,参考图及high另计;低于八秒为厂商说法,旧平台含排队对照不作本站实测。

评测与演进 →

Elorian

Glimpse

视觉推理研究预览,经 API 与聊天界面提供;官方列价为每百万输入 $0.60、输出 $3,反复查看也会消耗时间与词元。机器人示例由 Glimpse 规划、π0.5 执行,不代表模型直接生成动作或本站已实测。

评测与演进 →

StepFun / 阶跃星辰

Step 5 Preview

600B 总参数、27B 激活的多模态预览模型,提供托管接口与 StepFun Model License 1.0 权重。托管文档为 1M 上下文、64k 最大输出;模型卡的输出上限另有运行条件。

评测与演进 →

Anthropic

Claude Mythos 5

量子电路研究采用的受限型号;结果来自模型、编程环境与作者评估器的循环,不等于 Opus 5.5 的能力或实机量子加速。当前系列访问说明针对后续 5.1,不能推断旧版已向公众开放。

评测与演进 →

Anthropic

Claude Fable 5.2

Anthropic 当前最强通用模型,AA v5.0 独立榜 max 65 居首;与 Mythos 5.2 为同一底层模型——Fable 全员可用、带网络安全/生物安全防护层(被拦回退 Opus),Mythos 无防护层、限核验组织。$8/$40 每百万 token 低于 5.1,快速模式 2.5×;厂商口径 FrontierCode 2.0 xhigh 49.1%,自称已发布模型最高。

评测与演进 →

Google DeepMind

Gemini 4 Argon

长任务模型已扩大到 Gemini、付费 API 与开发工具;比较具体任务,同时核对共用窗口、入口和费用。

评测与演进 →

Google DeepMind

Gemini 4 Carbon

谷歌 10 月 28 日(太平洋时间)公布的当前最强模型:AA v5.0 综合 high 60 分(11 月 4 日整表重读起,单独居首后被 Fable 5.2 越过),官方定位网络安全与长程任务;SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0% 为厂商口径,外部基准注明无护栏评测。10 月 28 日先开网络防御者,11 月 10 日普遍开放:付费开发者与企业经 API、AI Ultra 订阅者经 Antigravity/Gemini 应用/Search AI Mode(GitHub Copilot 同日跟进);介绍期 2/10 美元每百万 token,其后 4/20。

评测与演进 →

Google DeepMind

Gemini 4 Hydrogen

谷歌 Gemini 4 家族的「日常执行」档:Carbon 与 Argon 负责深度长程推理,Hydrogen 主打快速编码与智能体工作流,发布即全员可用(AI Studio 全部档位、Gemini API、企业版、Gemini 应用、Google 搜索;付费 Pro/Ultra 可在 Antigravity 与 Sheets 使用)。每百万 token 输入 $1.5/输出 $7.5(1M 上下文一口价),1M 输入最高 1M 输出,四档思考级别(low/medium/high 默认/新增 xhigh)。AA 独立榜四档 xhigh 54/high 51/medium 41/low 27(high 超过 Argon high 的 50),high 档每任务约 $1.87;官方对照表对 Sonnet 5.5 与 Terra 有赢有输(Terminal-Bench 4.1、OSWorld-2.1、Terminal-Bench-Science 落后)。Antigravity 新增 Orchestrator:同会话在 Carbon 与 Hydrogen 间切换,Terminal-Bench 4.0 成功率接近全 Carbon、省 24% 配额、快 19%(厂商口径)。本站 11-13 读官方博客与 AA 直连榜单。

评测与演进 →

Google DeepMind

Genie 4

第一个原生生成声音的实时交互世界模型:键盘行走、文字随时改景,Gemini 3.8 Flash 作引导代理规划多步事件;场景连贯约两分钟,为 Genie 3 的两倍。研究预览先给信任测试者,几周后进入 AI Ultra 的 Project Genie。AA/Pi/Physics-IQ 三榜均无条目——世界模型不在这些评测范围,不据此排名。

评测与演进 →

Google DeepMind

Gemini Robotics 2.5

视觉-语言-动作模型:官方评估覆盖 200 个任务,较上一代基线成功率提升 30–100%(相对值)、快 20–30%;奔驰两条活跃产线的装箱试点成功率 96%(概念验证口径),由 Gemini Robotics ER 盯流程、本模型控制手和手臂。安全上引入推理时引导,并开源 ASIMOV-Jailbreak 基准(Argon 99.5% 对上一代 ER 2 82%)。训练由 Gemini 4 Argon 充当模拟引擎。仅向机器人伙伴推出,无公开入口;AA/Pi/Physics 三榜不适用——VLA 任务成功率不在这些评测口径,第三方基准也还没有。

评测与演进 →

OpenAI

GPT-6.1 Terra

快而省的电脑操作模型:官方口径专业任务比 GPT-5.6 Terra 高 15 分、成本约三分之一,与 Astra 持平而 token 单价约十分之一;标准 API 价格低 50%,同日进入 GitHub Copilot。AA 榜截至 10 月 27 日无其条目,旧 GPT-5.6 Terra(max)为 42 分,待同口径分数出来再入榜。

评测与演进 →

OpenAI

GPT-6 Cyber

网络安全专用模型:在研究者限定范围内寻找并验证可利用漏洞,支持利用开发、漏洞研究、代码审查与补丁。ExploitGym 48.5%(上代 32.1%),官方按 Preparedness Framework 评为网络安全 Critical(自 High 上调);入口先限已批准的 Daybreak Red 客户,渐进扩大。AA/Pi/Physics-IQ 三榜不适用——网络安全专项能力不在通用榜口径,审批制入口下也暂无第三方独立读数,缺口如实保留。

评测与演进 →

Meta

Muse Spark 1.3

Muse背后的历史能力型号;AA于10月22日已标deprecated并撤出现行综合表,原48分仅作历史参照。这不等于本站确认Meta停服,产品接入另看实际记录。

评测与演进 →

Alibaba / Qwen

Qwen-Image-2.1

生成、透明素材与多图编辑;图像偏好评测与本站综合、编程和物理榜分别看。权重材料限非商业研究/评估,商业使用需单独许可。

评测与演进 →

Alibaba / Qwen

Qwen-Image-2.1 Turbo

基础2.1视觉架构的八步检查点,并有地区化托管API;尚未找到Turbo单独的同口径图像评测,基础版分数不能套用。

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 →

Alibaba / Qwen

Qwen4 Max

Qwen4 系列首款旗舰:2.4T 主干参数、每 token 激活 71B、另有 328B N-gram Embedding 参数,原生视觉输入、1M 上下文。官方博客正文本站 11-17 晨经浏览器渲染读全(11-16 仅直读标题与发布事实,数字曾按 IT之家转述口径先行记录):架构三项为 GDN+QSA(每四层三层 Gated DeltaNet 把历史压成固定状态、一层 Qwen Sparse Attention 按块选上下文)、Gated Residual 四路分支门控读写、第二层 N-gram 查表;官方称 2.4T 预训练全程无 loss spike,基座 BPB 较 Qwen3.8-Max-Base 低约 5–13%、每 token 激活参数少约 25%。能力与成本为厂商自报口径:Work360 52.69 对前代 47.74;token 消耗 Work360 Xhigh/High 降约 24%/35%、Terminal-Bench 4.0 降约 48%/49%;API 全面降价、缓存命中价降幅最大,Work360 单任务平均费用 26.58→11.16 元(−58%)——流通转述的「超 60%/62%」与官方 58% 不一致,以官方为准。官方 16 面板对比图对前代 16 块全胜,对其他模型仅 4 块居首(多数知识工作面板 Claude Opus 5.5 更高)。权重未开放,官方称系列小尺寸模型将陆续开源;入口为千问平台(Token Plan 或 API)与千问办公、Qoder CN、千问 App、Qwen Studio,11-11 曾先行 qwen4-max-preview 限时预览。AA v5.0.1 源表 11-16 晚见 Qwen4 Max 行 43 分(未单列推理档位),11-17 晨复读未变;43 与自报 Work360 数字不能互相替代。

评测与演进 →

DeepSeek

DeepSeek V4.1 Flash

9月型号的图像、文件与推理资料保留;10月19日曾按AA/max记录39分,10月20日原榜已不列旧名,当前榜不续排。39分的带日期对照仍在原专题;deepseek-flash API现为1017。

评测与演进 →

DeepSeek

DeepSeek V4.1 Flash 1017

V4.1 Flash 的新权重快照,配置延续、图文输入与文字输出,MIT 许可;当前 API 沿用 deepseek-flash 与原价。独立 AA/max 为 45 分,Pi/high 小样本为 100%;旧 AA39 与旧 LiveBench 仍归原型号。

评测与演进 →

Z.ai / 智谱

GLM-5.3

文字与长任务模型,在 5.2 的基础上通过后训练推进复杂工程;结合独立评测与可浏览的三维作品看实际表现。

评测与演进 →

Z.ai / 智谱

GLM-5.3-Flash

文字和图像进入代码、浏览器与文档工作;它采用单独的新基础模型,可从 API 与开放权重了解具体用途。

评测与演进 →

Moonshot AI / 月之暗面

Kimi K3

图文与长上下文接向编程和知识工作,从 SVG 与图像问答看具体表现;K3 旗舰与 Code 的 K2.8 Preview 是并行路线。

评测与演进 →