⌘ K
… 读取采集状态 同步中...
雷

#评测/基准

今日 0 条
10月2日周五
  1. AI HOT72

    Artificial Analysis 评测 Qwen-Image-2.1 成为两项 AA-Image 榜单开源权重模型第一

    Artificial Analysis 本地部署评测了 9 月 20 日以开源权重发布的 Qwen-Image-2.1,该模型在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排名第 18,为两个榜单上排名第一的开源权重模型,分别超过 Ideogram 4.0 和 HunyuanImage 3.0 Instruct。

    推荐理由:评测给出了Qwen-Image-2.1在图像生成与编辑榜单上的具体排名及与同类模型对比,便于判断开源图像模型的相对能力。

  2. AI HOT74

    Artificial Analysis 评测:Qwen-Image-2.1 成为两个 AA-Image 榜单的开源权重第一

    Artificial Analysis 本地评测阿里 9 月 20 日发布的 Qwen-Image-2.1,该 7B 参数图像模型在 AA-Image-T2I 和 Editing v2.0 榜单上均排名第 18,超越 Ideogram 4.0 和 HunyuanImage 3.0 Instruct 成为第一开源模型。

    推荐理由:原文展示了 Qwen-Image-2.1 在 AA-Image 榜单的排名跃升及与竞品开源模型的横向对比。

10月1日周四
  1. 硅星人Pro65

    新Benchmark评测十大模型识别数学哲学思想能力

    针对数学哲学思想识别设计新评测,测试10个模型理解“受控极限交换”等八类抽象概念的能力。Claude和Gemini两步全对率最高达92.71%,GPT(关闭推理设置)为89.58%,均显著高于纯文本统计方法。评测显示推理用量高不等于表现好,且不同模型对同一思想(如边界-内部对应)的解读侧重不同。

  2. Zapier Blog52

    OpenAI 全系模型选型指南与 GPT-6 系列定价详解

    Zapier 梳理了 OpenAI 当前所有主要 API 模型的适用场景、定价及上下文窗口,重点区分 GPT-6 系列中 Astra、Sol 和 Luna 在能力与成本上的差异。GPT-6 Astra 定位最高性能但价格昂贵,GPT-6.1 Sol 提供接近顶配的逻辑推理能力,GPT-6 Luna 则主打低成本,三款模型均支持 1M 以上 token 上下文窗口。

  3. 新智元30

    港科大团队提出 AccelEval 基准:评测 LLM 将 CPU 程序加速为 GPU 实现的能力

    港科大团队发布 AccelEval 基准,覆盖 6 领域 42 项任务,评测 LLM 生成正确且端到端更快的 GPU 代码能力。在 H200 上测试中,Gemini 3.1 Pro 在中规模任务上取得 71.2 倍几何平均加速比,大规模达 161.5 倍。该基准还建立 43 类 CUDA 优化策略目录,分析加速背后的工程经验。

9月30日周三
  1. 智东西69

    美团LongCat-2.5-Preview实测:复刻Muse前端与3D赛车Demo

    美团LongCat团队上线万亿参数预览版模型LongCat-2.5-Preview,支持100万Token上下文窗口和原生多模态能力,并开放API限时折扣。作者将LongCat-2.5-Preview接入Claude Code完成三项Coding任务,复刻Meta Muse应用、制作SpaceX星舰升空动画及开发3D赛车Demo,整体体验具备实用性但速度较慢,单任务耗时超30分钟。

    推荐理由:实测展示了万亿参数模型在Coding任务上的可用性与成本优势,并给出了与同类模型的横向速度对比。

  2. Hugging Face Blog50

    Hugging Face 发布 Open TTS Leaderboard,基于客观指标评估多语言开源 TTS 与语音克隆

    Hugging Face 推出 Open TTS Leaderboard,使用 Qwen3 ASR 的 WER 及 H200 GPU 上的 RTFx 等客观指标,替代部分人工投票评估开源多语言 TTS 模型。该榜单支持语音克隆相似度(SIM)评测及流式 TTFA 性能对比,旨在解决开源 TTS 模型在现有竞技场中占比低及评估标准碎片化的问题,评测耗时从数周缩短至数小时。

9月29日周二
  1. 特工宇宙81

    Space Bunny 匿名模型实测:三天屠榜,疑似 MiniMax 出品

    匿名模型 Space Bunny 在 OpenRouter 和 OpenCode 上线后迅速占据调用量榜首,单日调用量超 DeepSeek V4.1 Flash 与 GLM-5.3 Flash 总和。作者实测发现其首字延迟低至 400 毫秒,编码能力接近旗舰水平;分词器指纹比对结果指向 MiniMax,该模型目前处于免费预览期。

    推荐理由:作者通过实测对比Space Bunny与同级别Flash模型,展示了其在代码生成与快速响应上的显著优势。

9月28日周一
9月27日周日
  1. 量子位52

    匿名模型 Space Bunny Coding 实测:天坛交互、iOS 闹钟与多模态任务表现

    作者在中秋假期实测了匿名模型 Space Bunny 的编码与多模态能力。在 Coding 任务中,该模型利用 Three.js 快速构建了交互式天坛立方体,并为 iOS 开发了符合用户需求的闹钟应用,修改反馈响应迅速。此外,它还准确识别了机器人视频内容。实测表明,该模型在高频任务处理中具备速度快、结果可用的特点,目前正位居 OpenRouter 调用日榜首位。

9月25日周五
9月24日周四
9月23日周三
  1. 夕小瑶科技说92

    实测MiMo-V2.6:编码、审美与多模态能力及成本评测

    小米正式推出 MiMo-V2.6-Flash 和 MiMo-V2.6-Pro,实测表明其具备优秀的复杂编码、高审美设计与多模态能力。MiMo-V2.6-Pro 输入成本为 3 元/百万 Token,平均解决单题成本仅 0.13 美元,性能超过 Kimi K3 和 Qwen3.8 Max。

    推荐理由:作者实测了MiMo在复杂编码与审美上的表现,提供了与GPT和Claude对比的成本与速度数据,可评估其性价比。

  2. AI产品阿颖79

    阶跃 Step 5 Preview 实测:基于帕累托前沿的评测与案例复盘

    AI 产品从业者实测阶跃 Step 5 Preview,指出其以 600B MoE 架构在 Artificial Analysis 开源综合榜单中跻身前列。作者通过复刻多模态网页与视频解谜游戏,展示了该模型在编码、交互与视觉逻辑推理上的真实表现,结合成本分析验证了其处于效率帕累托前沿的定位。

    推荐理由:作者用多模态素材实测了该模型在复杂前端与后端任务中的表现,并展示了其背后的帕累托效率逻辑。

  3. LangChain Blog23

    LangSmith 医疗 AI 可靠性层:通用用例

    LangSmith 将稀缺的临床专家判断转化为标签数据集、校准评估器和自动化发布门槛,解决医疗 AI 规模化验证瓶颈。Included Health 使用其评估 AI 指南 Dot 的准确性与安全路由,Abridge 则利用其生成符合临床归因标准的病历笔记,两者均通过自动化流程复用专家洞察,平衡模型覆盖广度与临床精确性。

9月22日周二
9月21日周一
9月20日周日
9月19日周六
9月18日周五
9月17日周四
  1. AI科技评论72

    视频模型如何理解「变化」:HiDream-O1-Video 等三款模型物理因果能力实测

    作者通过三组图生视频任务对比了 HiDream-O1-Video-1.0、Seedance 2.5 和 MiniMax H3 在物理因果、音画同步方面的表现。测试发现 HiDream 在动作与结果的时间因果上表现最好,如料酒入锅到火焰升起间隔约 100 毫秒;Seedance 画面表现强但火焰遮挡事件;MiniMax 存在时序偏差和硬切问题。

    推荐理由:作者设计了三组物理因果测试,量化对比了视频模型在音画时序上的表现,提供了可复用的评测方法。

9月16日周三