大模型评测

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…

谷歌本周发布了Gemini 3 Flash Preview新版本，官方称其“以不到Gemini 3 Pro四分之一的成本提供强大性能”，并声称“在许多基准测试中超越了2.5 Pro”。我们对Gemini 3 Flash Preview和上一代Gemini 2.5 Flash进行了全面对比评测，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…

OpenAI近期发布了GPT-5.2版本，作为GPT-5系列的最新迭代。我们对GPT-5.2-Medium（思考模式）与上一版本GPT-5.1-Medium进行了全面对比评测，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。 GPT-5.2-Medium版本表现：* 测试题数：约1.5万* 总分（准确率）：64.3%* 平均耗时（每次调…

OpenAI近期发布了GPT-5.2版本，作为GPT-5系列的最新迭代。我们对GPT-5.2-high（思考模式）与上一版本GPT-5.1-high进行了全面对比评测，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。 GPT-5.2-high版本表现：* 测试题数：约1.5万* 总分（准确率）：67.4%* 平均耗时（每次调用）：36s…

OpenAI 最近上线了 GPT-5.2 版本，并默认启用了非思考模式。那么，在不开启深度思考功能的情况下，它的日常表现究竟如何？毕竟大多数用户使用 AI 都是随手提问、快速生成，并不会每次都等待它进行长时间的“深度思考”。 为此，我准备了 20 多个实战场景，覆盖职场沟通、UI 生成、工具开发、创意写作等多个维度，专门测试 GPT-5.2 的“日常战斗力”…

在人工智能领域竞争白热化的2025年，OpenAI与谷歌之间的技术对决达到了前所未有的激烈程度。GPT-5.2作为OpenAI年度重磅产品，在发布48小时内即面临来自各方的严格审视，而谷歌Gemini 3 Pro则凭借卓越表现重新定义了行业标杆。这场对决不仅关乎单一产品的成败，更折射出两大科技巨头在技术路线、研发策略和市场布局上的根本差异。 Epoch AI…

OpenAI近期发布了GPT-5.2新版本（默认非思考模式），相比此前的GPT-5.1非思考版本，在响应速度上实现了革命性突破，但在准确率方面出现了轻微回退。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。 GPT-5.2版本表现：* 测试题数：约1.5万* 总分（准确率）：56.9%* 平均耗时（…

一、报告背景：OpenRouter 在整个 AI 版图中的位置 1.1 OpenRouter 是谁？这份报告在看什么？ OpenRouter 本质上是一个 多模型路由层（Model Router / Gateway） ： 对上 ：开发者、应用只需要对接一个 API； 对下 ：OpenRouter 接入了 300+ 模型、60+ 提供方 ，覆盖了主流闭源（Op…

最近，DeepSeek 发布了 V3.2 版本。为了对其能力进行系统评估，我们设计了一系列按难度递进的实战测试用例。每个用例均包含：用例名称、技术标签、考察重点及完整的 Prompt。 第一关：热身赛（基础能力验证） 1.1 复古打字机应用 技术标签：前端交互 | 动画效果 | 拖拽功能 考察重点：能否精准实现“打字机缓慢吐字”的动画细节与交互逻辑。 Pro…

腾讯混元新发布了HY 2.0系列模型，除了推理版本HY 2.0 Think外，同步推出了非推理版本hunyuan-2.0-instruct-20251111。我们对新版本与上一版本hunyuan-turbos-20250926进行了全面对比评测，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。 hunyuan-2.0-instruct-…