大模型评测

智谱AI近期发布了其2025年中的旗舰模型GLM-4.7，该版本的核心定位是强化Agentic Coding能力。 一句话总结：GLM-4.7在文本理解与创意写作方面表现突出，但在复杂代码生成与多模态理解上仍有明显不足，距离成为“Agentic Coding新标杆”尚需努力。 核心评测结论：* 三大亮点： * 基础推理扎实：在数学计算、逻辑推理、文本处理等基…

#0 前言 笔者最早的编程测试V1采用传统的3 Pass测试法，25年下半年迭代了更贴近多轮场景的V2测试法。但仅测试3轮的V2方法局限性仍然很大。首先，该方法只观察模型在3轮自主修复中能取得的最终成绩，而实际Agent场景中，编程模型拥有几乎无限的轮次，只要能解决问题即可。其次，V2方法只提供运行结果反馈，不提供工具，而实际Agent可以借助Lint/Co…

Google 刚发布了 Gemini 3 Flash，老实说？AI 经济学被改写了。 一款“快”模型如何重画价格-性能曲线 你今天早上打开 Gemini app，总觉得哪儿不一样。更快，更锐利。你可能都没注意到更新提示。 Google 把默认模型整个换了。全球范围。你睡觉的时候它就完成了。 这可不常见。公司一般不会一夜之间给几百万个应用换“发动机”。通常会先…

豆包AI现场激辩罗永浩：实时语音大模型通过“人机舌战”极限公测 罗永浩的年度科技创新分享大会，刷屏全网。 复盘整场四个多小时的直播，观众集体回味讨论的焦点似乎就两个： 第一，不知是因为迟到了40多分钟，还是提前就有谋划，罗永浩现场宣布给所有购票观众退票。 第二，罗永浩这张网络名嘴和豆包AI之间的“人机舌战”竟成最大亮点，火爆出圈。 光看二位的辩题，就已火药味…

阿里巴巴近期发布了Qwen3-Max-Preview-Think新版本，这是在Qwen3-Max-Preview基础上引入思维链（Thinking）模式的升级版本。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。 Qwen3-Max-Preview-Think版本表现：* 测试题数： 约1.5万* …

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/…

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…

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…

经过多日预热，12月22日，智谱AI正式发布新一代旗舰模型GLM-4.7。该模型在编程和复杂推理能力上实现重大突破，旨在对标当前顶尖闭源模型。 基准测试表现亮眼 根据官方信息，GLM-4.7在编程、复杂推理和工具使用方面均有显著提升，同时在聊天、创意写作和角色扮演等场景下的能力也有所增强。 官方公布的测试结果显示，GLM-4.7在多项关键基准测试中表现优异：…