#模型评测
共 106 篇相关文章
实测Jev对比三款廉价模型：成本优势没那么大
独立开发者同场对比Jev 1.13、Mistral Small 3.2、Gemini 2.5 Flash Lite与GPT-5 nano：Jev成本优势仅1.4-1.7倍，准确率未胜出，并公开两条测试更正。
MiniMax M3.1 Flash对比DeepSeek与Claude Haiku：同一Bug修复实测
AIHubMix实测MiniMax M3.1 Flash、DeepSeek V4.1 Flash 1017与Claude Haiku 5.5：同一Python双Bug修复任务，215个隐藏测试全部通过，但默认思考等级使成本相差悬殊。Flash在low档最便宜，Haiku最快，DeepSeek功能最全。
180B模型登顶MMLU-Pro与GPQA：Darwin-180B-RSI benchmark解读
VIDRAFT开源模型Darwin-180B-RSI以180B参数登顶AIhoster的MMLU-Pro与GPQA Diamond榜单，本文解读评测配置、成绩对比、参数效率优势及独立复现、许可证等尚待确认的问题。
DeepSeek V4.1 Flash 1017实测：智能涨至45，单任务成本降47%
Artificial Analysis 独立评测显示，DeepSeek V4.1 Flash 1017 智能指数从 39 升至 45，每任务成本从 0.49 美元降至 0.26 美元。成本下降来自输出 token 减少而非单价下调，实际花费还取决于峰时定价与 reasoning_effort 档位。
实测20个最热门Agent技能：安装量第一的反而拖后腿
Driftproof实测安装量最高的20个Agent技能，同一任务分别在加载与不加载技能时对比。安装量第一的find-skills在两个模型上均让答案变差，11个技能明显有帮助，10组结果因波动过大无法判定。含完整评分方法与局限说明。
Tīrtha Bench：程序员选AI模型该看的数据
Tīrtha Bench 评测 68 个模型的工具调用能力：同一测试、同一评分器，揭示托管商差异（同模型 93.4% vs 69.5%）、每正确调用成本跨度 65 倍，并公开全部原始数据供外部复现。
DeepSeek V4.1 Flash「小更新」：闭源模型的危险信号
DeepSeek V4.1 Flash-1017 以「小幅更新」名义发布，Terminal-Bench 提升11分引发HN热议。本文拆解763B参数、MIT许可、智能体任务成本优势，以及同步上线的低价搜索抓取API对闭源模型的冲击。
Agentic编程基准测试开源：Hugging Face数据集与榜单解读
LeanZero 将 agentic coding 基准测试数据开源至 Hugging Face，包含 94 行模型记录、逐轮构建得分与推理成本。本文解读 Forge 2.0 榜单中 Jev Router 与 GPT-6.1 Sol 的分数差异、数据局限性，以及这份数据集对 agent 评测的意义。
Gemini 4 Argon真能排第一？对比Claude Opus 5.5与GPT-6 Astra
Google Gemini 4 Argon宣称19项测试13项第一，但独立评测与实测结果喜忧参半。本文对比Claude Opus 5.5与GPT-6 Astra，从上下文长度、定价、办公任务、编码能力到成本账单，揭示各模型真实强弱场景。
DeepSeek v4.1 Flash评测：0.44美分挑战GPT-6.1
DeepSeek v4.1 Flash 1017 检查点实测：基准测试逼近 Claude Opus 5，0.44 美分完成 GPT-6.1 Sol 级别动效生成，250 tokens/s 速度，峰谷分时定价，7630 亿参数开放权重可本地部署。本文梳理基准、价格与测试框架争议。
免费模型可信吗？先跑个A/A测试再下结论
免费模型评测前先跑A/A测试：用同一提示词重复调用，测量模型自一致性（modal_share），区分采样噪声与真实回归，避免单次运行造成的错误判断。附Python探针脚本与分诊表。
Codex 15天内默认模型两次变脸，你的评测跟上了吗？
15天内Codex默认模型三次变更，包括GPT-5.5退役和无声的TUI默认值继承。如果agent评测不记录模型、推理强度和账户类型，前后对比将失去意义。附按任务固定模型的脚本示例。
Glimpse视觉模型价格仅为GPT-6 Astra的6%，自家榜单却输6项
Elorian 发布视觉思考模型 Glimpse，输入价格仅为 GPT-6 Astra 的 6%，但自家 12 行基准表中输了 6 行。本文拆解完整测试数据、视觉草稿纸的计费逻辑，以及迁移前该怎么做自测。
DeepSeek V4.1 Flash 1017实测：低调更新背后的性能飙升与争议
DeepSeek V4.1 Flash 1017 以补丁级版本低调发布，Terminal-Bench 4.0 分数从 31.2 跃升至 42.3，缓存优化至每 token 890 字节，但困难推理仍落后 Claude Opus 5。本文深度解析跑分真相、缓存成本与搜索 API 战略布局。
Meta发布Muse Wonder：六档推理等级，性能对标GPT-6.1 Sol
Meta发布Muse Wonder与Muse Wonder Full，内置minimal到max六档推理等级。Artificial Analysis评测其Max档对标GPT-6.1 Sol，但定价、上下文窗口与上线时间均未公布。
JEV-27B-VL视觉决策模型入门指南
JEV-27B-VL 是 Autotrust 在 Hugging Face 维护的 27B 视觉语言模型，支持 System 1 概率决策与 System 2 推理。本文梳理其封面排序、智能体判断等多场景基准、局限与接入注意事项。
Gemini 4 Argon 开发者指南：定价、迁移与实测对比
谷歌 Gemini 4 Argon 面向开发者开放：付费 API 定价 12 月 1 日翻倍，输出可达百万 token，幻觉率仅 15%。本文梳理基准测试、Python 迁移陷阱与 GPT-6、Claude 对比，所有数据标注来源。
四大AI联网搜索横评：Claude、Codex、Kimi K3与Qwen 120次实测
120次实测对比Claude、Codex、Kimi K3与Qwen的联网搜索能力：缓存模式全对，同一搜索API在不同模型上得分相差超2倍，Kimi索引时效性和site操作符存在缺口。
