大模型评测

短的结论：王与马共天下 基本情况： Google与OpenAI在顶尖模型上的追逐异常激烈。三个月前，Gemini 3 Pro曾领先于当时的GPT-5，随后被GPT-5.2反超，双方各领风骚数十天。如今，Gemini 3 Pro停留在Preview阶段，其继任者3.1 Pro Preview登场，而保持了两个月智力王冠的GPT-5.2，其领先地位再次被Goog…

短的结论：通往下一个时代的钥匙 基本情况： 字节跳动推出的多模态大模型 Seed-2.0-pro，是其技术序列中的关键升级。此前，Doubao 1.8 版本已展现出接近国际领先水平的潜力，而如今经过全面打磨的 Seed-2.0-pro 旨在确立其顶尖地位。 综合来看，Seed-2.0-pro 无愧于“Pro”的定位，在核心能力上与 Gemini 3 Pro …

最强AI打工人来了！实测多模态、代码、复杂长任务表现亮眼。 春节将至，国内AI大模型赛道好不热闹，多款国产模型更新引爆海内外，不少海外网友都“跪求”体验方式，2026开年AI档，还要看中国玩家。 在这场AI盛宴之中，我们看到各类超级Agent走到舞台C位，AI逐渐深入到具体的工作流中，甚至开始帮企业啃下真正的“硬骨头”任务。AI从“玩具”转向“工具”， 这一…

短的结论：向下扎根，向上生长 基本情况： 稀宇的前一代M2.1因技术问题，在逻辑能力上落后于M2。M2.5基本解决了这些问题，能力回归正轨，相比M2的综合性能提升约17%。 不过，部分进步是通过更长的思维链和更深的解空间探索换来的。M2.5的平均Token消耗在测试模型中排第6高，几乎是对手Sonnet的2倍。得益于稀宇充足的算力与可控的成本，M2.5在编程…

短的结论：向下扎根，向上生长 基本情况： 稀宇的前一代M2.1因技术问题，在逻辑能力上落后于M2。M2.5基本解决了这些问题，能力回归正轨。相比M2，M2.5的综合能力提升约17%。 部分进步源于更长的思维链和更深的解空间探索，M2.5的平均Token消耗在测试模型中位列第6，几乎是对手Sonnet的2倍。得益于稀宇充足的算力与可控的成本，M2.5在编程上虽…

MiniMax在春节假期前发布了MiniMax M2.5新版本，官方表示该模型经过数十万个真实复杂环境中的大规模强化学习训练，在编程、工具调用和搜索、办公等生产力场景达到了行业前沿水平。我们对MiniMax M2.5与上一代MiniMax M2.1进行了全面的中文场景对比评测，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。 需要说明的…

MiniMax在春节假期前发布了MiniMax M2.5新版本。官方表示，该模型经过数十万个真实复杂环境中的大规模强化学习训练，在编程、工具调用和搜索、办公等生产力场景达到了行业前沿水平。我们对MiniMax M2.5与上一代MiniMax M2.1进行了全面的中文场景对比评测，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。 本次评测…

MeepleLM团队 投稿 量子位 | 公众号 QbitAI 大模型桌游体验官 来了！不仅能快速给出评价与建议，还能模拟不同类型玩家的体验差异。 近期，来自盛大东京研究院、上海创智学院、南开大学、上海人工智能实验室的研究团队联合提出了MeepleLM ，这是首个能模拟真实玩家视角，并基于动态游戏体验给出建设性批评的虚拟试玩模型。 为了减轻AI评价的“悬浮感”…

Anthropic发布了Claude Opus 4.6新版本，官方定位为“最智能的模型”，主打复杂智能体任务和长时程工作。相比此前的Claude Opus 4.5版本，新版本在架构上进行了多项升级，包括首次在Opus级别支持100万token上下文窗口、引入自适应思考（adaptive thinking）机制等。 我们对这两个版本进行了全面的对比评测，测试其…

Kimi-K2.5-Thinking是月之暗面最新发布的旗舰推理模型，被官方称为“Kimi迄今最智能的模型”。该模型在Agent、代码、图像、视频及一系列通用智能任务上取得了开源领域的最佳表现，其核心在于采用了深度思考架构，具备强大的推理能力。 核心结论： 三大亮点： 深度推理能力出色：在数学计算和逻辑推理任务中表现优秀，能够提供详细的推理过程。 中文语义理…