基准实验室

📖 文章导读：月之暗面发布 Kimi K3.1 Pro，历经 99 天 RL 重炼，AA 智力指数冲至全球第四，预定最强开源模型，API 价格再砍三分之一。实测发现，K3.1 Pro 在视觉审美上优势突出，力压 GPT-6 Astra，编程基准也实现超越。本文带你速览升级亮点与真实生产力边界，看国产旗舰如何与海外顶流正面掰手腕。 从 K3 破局到 K3.1 …

📖 文章导读：匿名 25 天、默默消化 200T token 的 Space Bunny 终于揭面——正是 MiniMax M3.1 Flash。与仅隔 2 天发布的 DeepSeek-V4.1-Flash-1017 正面对决，跑分互有胜负，但二者并非简单的“双强并立”。实测验证，M3.1 Flash 不是平替，而是另一把工具——适合谁、怎么选，一文讲清。 …

📖 文章导读：DeepSeek-V4.1-Flash-1017 低调上线，基准成绩杀进旗舰分数段。DeepSWE 通过率 77.0，压过 Claude Opus 5 和 GPT-5.6-Sol；单任务成本不到 8 毛，只有对手的百分之一。实测视觉和创意已经够打，工程完成度仍有代差。这不是一次常规升级，是 Flash 这个档位的重新定价。 详细了解DeepSe…

📖 文章导读：Google 背水一战搬出 Gemini 4 Argon，硬实力重返第一梯队。长输出与知识工作上表现惊艳，以绝对的成本优势紧咬 GPT-6 Astra。实测显示，Argon 在金融、法律等专业领域结构性领先，编程达旗舰水准，但工程完成度与 Agent 能力仍是明显短板。这场翻身仗，Google 赢回了与顶级模型掰手腕的资格，也暴露了从“聪明”到…

📖 文章导读：Claude Haiku 5.5 以超低定价杀入轻量级模型战场，正面对标 GPT-6 Luna。官方定位为旗舰模型的“子代理”，在高频轻量任务中极具性价比。实测验证，Haiku 5.5 在同级对比中优势明确，编程展现出更成熟的工程化思路，但面对长程复杂规划仍边界明显。降价不等于全能，本文将深入解析 Haiku 5.5 的真实能力与选型价值。 9…

📖 文章导读： SpaceXAI 发布 Grok 4.7，主打性价比前沿。不是最强，但同价能力大幅升级。结合跑分与实测，其长程复杂任务表现有所提升，竞争力集中于单价与定位，然而通用能力仍有短板，且复杂任务 Token 消耗大易生隐性成本。它是“定价封顶”打法下的专项性价比之选，选型需权衡隐性消耗。 9月22日，SpaceXAI 正式推出最新旗舰模型——Gro…

📖 文章导读：9月22日，OpenAI 推出 GPT-6 Sol 与 Luna，以直降 50% 的定价和升级的缓存机制正面硬刚 Anthropic。本期针对 GPT-6 Sol 的实测显示，模型表现稳定，工程实现力有所提升，虽未展现碾压级突破，但凭借“够用且便宜”的优势，或可成为长周期 Agent 及批量任务的高性价比首选。 9 月 22 日，Anthrop…

📖 文章导读：首个System One模型Jev问世。针对LLM落地“慢、贵、爱废话”的痛点，Jev放弃字符串，直接输出概率化决策。具备70毫秒极速、零幻觉及附带置信度三大能力，且输出免费。它不取代聊天模型，而是给Agent补上毫秒级决策神经，专为海量小决策而生，以极致降本解锁全新生态。 这两年你可能见过那种 AI 玩游戏，比如通关宝可梦的视频：LLM 操控…

📖 文章导读：OpenAI 发布最新生图模型 GPT Images 2.5，分 Flare 效率款与 Sunburst 精工款：延迟最高降 50%、API 不涨价，多轮编辑一致性成关键。多轮实测发现，其画质提升有限，真正价值在速度与工作流，适合电商营销、社媒改稿、图文生产等实用场景。 2026 年 9 月 9 日，在发布 GPT-6 Astra 5 天后，O…

📖 文章导读：9 月 10 日，DeepSeek V4.1 Flash发布。新模型采用全新架构，原生补齐多模态，大幅压缩KV Cache并下调价格，正式接棒V4 Pro。本期测评通过真实任务实测发现，其展现出逼近甚至局部超越 Pro 的能力，性价比极高。虽极限复杂任务仍有瑕疵，但“Pro 级能力、Flash 级价格”已初步坐实。一文解析其实战表现与选型参考。…