AI 旗舰模型 Benchmark 横向对比2026-10-14Gemini 4 Argon 全面开放:官方首次公开的模型卡与安全报告,与三项无法排除已越过的能力阈值Google 把 Gemini 4 Argon 全面开放,同一时间首次公开 8 页模型卡与 217 页安全报告;本文用一张官方总表给出它与 GPT-6 Astra、Claude Opus 5.5 / Fable 5.1 以及 Gemini 前代在能力、网络、生物、对齐、健康与机器人几个方向上的可核验跑分,并交代那三项官方自己判定「无法排除已触达」的能力阈值,以及这批分数是在哪套 safeguard 条件下测出来的。
AI 旗舰模型 Benchmark 横向对比2026-10-09Claude Haiku 5.5:官方 Benchmark 总表,与只按最高档给出的这组分数Anthropic 把 Haiku 5.5 定为迄今最便宜最快的 Haiku 类模型、也是第一款带 effort 档的一款;本文用一张官方横向总表给出它与 Haiku 4.5、Sonnet 5.5、GPT-6 Luna 及各家主力模型在发布页与系统卡全部评测上的可核验跑分,并说明那组最高分落在哪个档位、默认档又少多少。1
AI 旗舰模型 Benchmark 横向对比2026-09-30Gemini 4 Argon:官方 Benchmark 总表,与只开放给网络防御方的首发范围Google 把 Gemini 4 家族的首款通用旗舰 Argon 先交给受信网络防御方,本文用一张官方横向总表列出它与 GPT-6 Astra、Claude Opus 5.5 / Fable 5.1 以及各家主力模型在 Google 这批评测上的全部可核验跑分,并标出它让给对手的五行。1
AI 旗舰模型 Benchmark 横向对比2026-09-29GPT-6.1 Sol:官方 Benchmark 总表,与只给出曲线的三项评测OpenAI 在 DevDay 上把 GPT-6 Sol 升级成 GPT-6.1 Sol,价格不变、缓存输入再减半,官方称它接近 Astra 而只要五分之一价钱;本文用一张官方横向总表列出它与 GPT-6 家族及 Anthropic、Google、DeepSeek、Kimi、智谱各家主力模型在可核验评测上的跑分,并标出哪几项的绝对分官方只放进了曲线。1
AI 旗舰模型 Benchmark 横向对比2026-09-28Claude Sonnet 5.5:官方 Benchmark 总表,与只在某个推理档成立的平手Anthropic 把 Sonnet 5.5 定为 Claude 5.5 家族第二款、面向日常任务的低成本模型;本文用一张官方横向总表列出它与 Sonnet 5、Opus 5.5、GPT-6 Sol 及各实验室主力模型在发布页与系统卡全部评测上的可核验跑分,并说明表里那几处「追平 Opus 5.5」分别落在哪个推理档与哪套成本口径上。
AI 旗舰模型 Benchmark 横向对比2026-09-23Claude Opus 5.5:官方 Benchmark 总表,与推理档上的成本前沿Anthropic 把 Opus 5.5 定为 Claude 5.5 家族第一款,本文用一张官方横向对比总表给出它与 Fable 5.1、Opus 5、GPT-6 Astra、GPT-5.6 Sol 以及各家主力模型在发布页与系统卡全部评测上的可核验跑分,并说明 40% 的成本下降落在哪个推理档、安全层与回退模型改变了几项分数的哪些部分。1
AI 旗舰模型 Benchmark 横向对比2026-09-22GPT-6 Sol 与 Luna:官方 Benchmark 总表,与相对 Astra 的回落项OpenAI 把 GPT-6 家族扩到三档,本文用一张官方横向对比总表给出 Sol 与 Luna 相对 Astra、GPT-5.6 各档以及 Anthropic、Google、DeepSeek、Kimi、智谱主力模型的所有可核验跑分,并区分 token 价与单任务成本两套口径。3
AI 旗舰模型 Benchmark 横向对比2026-09-10DeepSeek-V4.1-Flash:取代 V4-Pro 成为现役主力的全量官方 Benchmark 与架构解析DeepSeek 正式发布 V4.1-Flash 并宣布逐步淘汰 V4-Pro,本文完整转录涵盖 19 项指标的官方横向对比总表,剖析 8B/16B 非对称激活与全局 KV Cache 缩减对长程工程任务的效率机理与选型边界。
AI 旗舰模型 Benchmark 横向对比2026-09-10GPT-6 Astra:工作任务官方 Benchmark、单任务成本与部署安全边界OpenAI 针对实际工作与企业任务发布 GPT-6 Astra 新评测,本文给出全量官方横向对比总表,拆解 Terminal-Bench 4.0、DeepSWE v1.1、单任务 API 成本降幅与系统卡安全边界。1
AI 旗舰模型 Benchmark 横向对比2026-09-03GPT-6 Astra:Critical cyber、Agent 工作流与一张官方 benchmark 总表OpenAI 官方 benchmark 显示 Astra 在多项 agent、电脑操作、编码、科学与网络安全任务上抬高上限,但 HLE、Artificial Analysis 指数以及访问权限仍改变最终判断。
AI 旗舰模型 Benchmark 横向对比2026-09-02Claude Fable 5.1 / Mythos 5.1:同一权重,分开的能力与安全边界Claude Fable 5.1 与 Mythos 5.1 使用同一权重但采用不同安全配置,本文用官方 benchmark 总表拆解两者在长程工程、知识工作、电脑操作和生命科学任务上的位置与可用边界。
AI 旗舰模型 Benchmark 横向对比2026-08-14GLM-5.3:同一基座,后训练把哪些 benchmark 推到了前列智谱官方对照图显示,GLM-5.3 沿用 GLM-5.2 基座,却在工程、Agent、专业知识工作和部分网络安全 benchmark 上出现分化跃升;本文合并转录全部官方图表并保留未标注项。