标签：模型评测
MiroMind新模型超越GPT-5.4，三位顶尖AI科学家加盟
MiroMind发布MiroThinker-v1.7模型家族，标志着其在长链条任务智能体领域的重大升级。该系列支持256K上下文窗口与单任务最高300次工具调用，显著提升多步骤推...
AI 下半场，LLM Benchmark 要补全什么？
当前大语言模型评测领域，通用榜单与常用基准陆续暴露出区分度下降、评审口径波动、数据污染等诸多问题，推动业界愈发重视评测体系的有效性，对大语言模型评...
哪个模型最适合“养虾”？国产MiniMax-M2.1和Kimi-K2.5杀疯了
针对OpenClaw场景下大模型能力评估的基准PinchBench已经诞生，获得OpenClaw创始人转发点赞。该评测系统通过真实的成功率、执行速度和运行成本数据，评测各家...
发布 ChatGPT 健康 6 天后，OpenAI 在自家医疗健康 Benchmark 上被反超
百川智能宣布将在2026年上半年发布两款面向消费者的医疗产品，标志着中国企业在AI医疗领域的快速进展。全球范围内，健康咨询已成为ChatGPT等AI助手的高频使用...
GPT-5.2降智遭全网差评！奥特曼慌了
OpenAI最新发布的GPT-5.2模型在多项基准测试中表现不及预期，未能超越谷歌的Gemini 3 Pro。Epoch AI报告显示，GPT-5.2的能力指数（ECI）得分为152，虽位列第...
Claude Opus 4.5夺回编程王座，超Gemini 3 Pro和GPT-5.1
Anthropic最新发布的Claude Opus 4.5在多项关键性能指标上实现突破，成为当前AI领域的领跑者。该模型在编码、Agent能力和计算机操作等硬核测试中全面超越GPT-...
实测Gemini 3 Pro – 此即未来。
Gemini 3 Pro的发布标志着人工智能领域的一次重大突破。经过长达238天的等待，这款备受期待的模型终于正式上线，其表现远超预期，甚至让长期关注AI进展的观察...
MiniMax，可能是今年最大的黑马。
MiniMax公司最新发布的M2语言模型在性能与成本效益方面展现出显著优势，引发行业关注。该模型在Artificial Analysis测试榜单中位列全球第五，总分低于GPT-5、...
突发，Grok-3免费上线！答对9.11和9.9谁大，1分攻克MIT积分难题
Grok-3的开放使用引发科技界广泛关注，其性能表现与争议成为焦点。作为首个宣称使用20万块GPU训练的大模型，Grok-3免费开放DeepSearch和Think两大模式，但在...
国产推理大模型决战2025考研数学，看看谁第一个上岸？
随着2025年研究生考试的结束，考研数学真题成为了测试大语言模型，尤其是推理模型深度思考能力的重要工具。过去，大语言模型在数学问题上的表现并不理想，但...
1
2
