大模型评测

近年来，多模态大语言模型正经历快速的范式转变，研究焦点转向构建能够统一处理和生成跨语言、视觉、音频等多种感官模态信息的全模态大模型。这类模型的目标不仅是感知全模态内容，更要将视觉理解与生成整合进统一架构，实现模态间的协同交互。 这一转变的驱动力源于真实物理世界的复杂性。人类自文明诞生以来，正是通过对视觉线索、听觉信号、空间动态等复杂多模态信息的持续观察、分析…

如今，大模型在理解、推理、编程等方面表现突出，但AI的“科学通用能力” （SGI） 尚无统一标准。 SGI强调多学科、长链路、跨模态与严谨可验证性，而现有基准仅覆盖碎片能力 （如学科问答、单步工具操作） ，难以反映真实科研中的循环与自纠错。为此，上海人工智能实验室通过引入实践探究模型 （PIM） ，将科学探究拆解为四个循环阶段，并与AI能力维度对应： 审思/…

1 参赛选手 本次评测共包含15个模型，均为近期更新版本（按发布时间排序）： 本月出榜模型：* GLM-4.6（后继版本：GLM-4.7）* MiniMax M2.1（后继版本：M2）* DeepSeek V3.2-Speciale（官方已下线）* Doubao-Seed-1.6 1015（后继版本：1.8）* DeepSeek V3.2-Exp（后继版本：…

国产 AI 大模型 MiniMax M2.1 正式发布。 本次更新在 Multi-SWE（多软件工程）领域实现了显著升级。它不仅让 Web 开发、App 开发以及 Rust、Go、Java 等核心技术栈的开发体验更为流畅，其全栈能力也得到了大幅增强。 一个突出的亮点在于其能力的均衡性。 此前许多 AI 模型，包括近期备受关注的 Gemini 3 Pro，往往…

什么？决定 AI 上限的已不再是底座模型，而是外围的「推理编排」（Orchestration）。 在 LLM 完全不变的前提下，仅靠一套 Agentic System，就能让 AI 的智力表现原地暴涨一截。在看了「AI 推理和自我改进系统」初创公司 Poetiq 的最新评测之后，有人得出了这样的结论。 近日，Poetiq 表示其使用 ARC-AGI-2 测试…

阿里Qwen-Plus-Think新版实测：性能意外回落，成本反增4.2%，Agent能力成唯一亮点 阿里近期发布了Qwen-Plus-Think-2025-12-01新版本，相比此前的Qwen-Plus-Think-2025-07-28版本，在多个维度的表现出现了明显波动。我们对这两个版本进行了全面的对比评测，测试其在准确率、响应时间、Token消耗和成本…

将多模态数据纳入到RAG（检索增强生成）乃至Agent框架，是目前大语言模型（LLM）应用领域最受关注的方向之一。针对多模态数据最自然的召回方式，便是向量检索。 然而，我们正在依赖的这一整套“embedding → 向量检索 → 下游任务”的流程，其实存在一个未被正确认知到的陷阱。许多人认为向量检索方法已经标准化，遇到向量检索需求便不假思索地选择HNSW算法…

MiniMax新发布了M2.1版本，相比此前的M2版本，在多个维度实现了性能变化。我们对这两个版本进行了全面的对比评测，测试其在准确率、响应时间、token消耗和成本等关键指标上的表现差异。 MiniMax-M2.1版本表现：* 测试题数：约1.5万* 总分（准确率）：63.6%* 平均耗时（每次调用）：111s* 平均token（每次调用消耗的token）…

智谱AI昨日开源了其编程专用模型GLM-4.7。相较于前代GLM-4.6版本，新模型在多项关键指标上实现了显著提升。我们对两个版本进行了全面评测，对比了准确率、响应时间、Token消耗及成本等维度。 GLM-4.7版本核心测试数据如下：* 测试题数：约1.5万* 总分（准确率）：71.5%* 平均耗时（每次调用）：96秒* 平均Token（每次调用）：392…

小米近期开源了MiMo-V2-Flash模型，这是其在大模型领域推出的开源产品。官方强调该模型在长上下文建模能力与推理效率之间实现了新的平衡。我们对MiMo-V2-Flash的思考模式（think）和非思考模式进行了全面评测，测试其在准确率、响应时间、token消耗等关键指标上的表现。 MiMo-V2-Flash-think版本表现：* 测试题数：约1.5万…