跳到正文

評測基準

模型到底誰強:Benchmark 成績、評測方法論爭議與排行榜變化的持續記錄。

最新精選

第 1–20 條 · 共 38 條
11月20日週五
  1. DEV Community78

    作者以 World Labs Atlas Chisel 打造莫卧兒—都鐸宮殿,實測其 3D、遊戲與影片用途

    作者以 World Labs Atlas 的 Chisel 製作莫卧兒—都鐸宮殿,展示同一 3D 佈局如何生成風格一致的多視角圖像、鏡頭影片及 3D Gaussian splat。

    推薦理由:文章以同一座可編輯 3D 宮殿對照文字生成影片工具,展示共用場景佈局對多鏡頭一致性的作用,並交代 splat 轉網格供遊戲使用仍需清理。

11月19日週四
  1. DEV Community77

    Gemini 4 Neon API 上線,價格較 Claude Opus 5.5 低 25%,是否值得採用?

    Google 推出 Gemini 4 Neon 付費 API,定價較 Claude Opus 5.5 低 25%,並提供 1 百萬 tokens 上下文窗口。每百萬 tokens 輸入及輸出價格分別為 $3 和 $15,較 GPT-6.2 Sol 與 Claude Sonnet 5.5 高 50%;文章建議以每項任務成本,而非 token 單價評估是否划算。

    推薦理由:文章並列 API 單價、基準成績與每項任務成本,呈現比較 Gemini 4 Neon 時,為何不能只憑 token 價格判斷是否划算。

  2. 阿里雲開發者社區 AI83

    Gemini 4 Neon 實測:18 項同台基準勝 Opus 5.5 共 16 項

    作者實測 Gemini 4 Neon,稱它在與 Opus 5.5 同台的 18 項基準中勝出 16 項。Artificial Analysis 綜合智能榜中,Neon 的 xhigh 得 61 分,高於 Carbon 的 60 分及 Opus 5.5 的 59 分;預設 high 檔平均每題成本為 $3.74,低於 Opus 5.5 的 $10.04。

    推薦理由:文章結合第三方基準、作者本機任務與單題成本比較,呈現 Gemini 4 Neon 在編碼表現、速度和費用上的差異。

  3. OpenAI News74

    OpenAI 模型改進 Jalapeño、AMD 及 RISC-V 晶片設計

    OpenAI 表示,其模型已用於改進自研 Jalapeño、AMD GPU IP 及開源 RISC-V 核心的晶片設計,並提升 RISC-V 評測中的吞吐量。在 AMD 旗艦 GPU IP 上,相較高度優化基線,PPA 改善最高達 14%;Jalapeño warp engine 和 matrix unit 的標準單元面積則分別減少約 13% 和 10%。

    推薦理由:文章並列量產設計中的 PPA 改善與兩款開源 RISC-V 核心評測,亦交代功能取捨和物理綜合檢查等限制,可對照模型測試分數與實際晶片設計要求。

11月18日週三
  1. 新浪科技78

    深度實測 GPT-6.2:實力確實強,也確實難用

    文章實測 GPT-6.2 Astra,發現它能快速生成可互動的 3D 遊戲與場景,但寫作表現、溝通方式及長程 Agent 任務仍有明顯問題。文中亦引述官方數據,稱它在專業 Agent 任務上的表現超越 Claude Fable 5.2,完成同等任務的綜合成本只有後者的 5%。

    推薦理由:文章將官方成本與能力主張,和 3D、寫作等實測並置,呈現 GPT-6.2 Astra 的強項與日常協作落差。

  2. 虎嗅80

    GPT-6.2 評測:辦公與 3D 有亮點,編程長任務表現不穩

    OpenAI 發佈 GPT-6.2 Astra 和 Sol,文章指出兩款模型表現不一,辦公、Computer Use 和 3D 有亮點,編程長任務則受批評。Artificial Analysis 綜合智能指數中,Astra 得 62 分、排名第二;3D 人類盲測得 1318 Elo、排名第一。

    推薦理由:文章將官方基準與多方實測並列,呈現 GPT-6.2 在辦公、Computer Use 和 3D 的亮點,以及長任務編程的持續性問題,對照出各類任務表現不一。

  3. DEV Community78

    Gemini 4 Hydrogen 在綜合指數得分高於 Argon

    Gemini 4 Hydrogen 在 Artificial Analysis Intelligence Index 的預設 high 思考層級得分為 51,高於 Argon 的 50,xhigh 得分為 54。

    推薦理由:文章把 Gemini 4 Hydrogen 的分項基準、思考層級與任務成本並置,呈現綜合指數背後的工作類型取捨及路由判斷依據。

11月17日週二
11月13日週五
  1. DEV Community76

    Gemini 4 Hydrogen 與 Gemini 3.8 Flash:升級是否值得?

    文章比較 Gemini 4 Hydrogen 與 Gemini 3.8 Flash,指出 Artificial Analysis 任務測試中,Hydrogen 在 high 設定下每項完成任務成本為 $1.87、評分指數為 51;Flash 在 high 設定下則為 $7.77 和 31。

    推薦理由:文章比較兩款模型的任務成本與評分,並整理思考層級預設、API 協定支援及長輸出路徑等遷移限制。

11月12日週四
11月11日週三
11月10日週二
  1. 阿里雲開發者社區 AI77

    Claude Fable 5.2 首發實測:前端審美出色,三個項目花費逾 500 元

    作者在 Cursor 中讓 Claude Fable 5.2 無人工幹預完成三個純前端項目,認為其審美出色,但與 Claude Opus 5.5 相比提升不明顯,工作速度亦未見改善。

    推薦理由:三個純前端項目的實測呈現 Claude Fable 5.2 的視覺表現、修正耗時與實際花費,並提供與 Opus 5.5 的比較。

11月6日週五
  1. 新浪科技79

    OpenAI Images 2.6 實測:ChatGPT 可生成 GIF,生圖速度提升約 50%

    OpenAI 發佈圖像模型更新 Images 2.6,ChatGPT 現可直接生成 GIF,官方稱生圖速度提升約 50%,並已向所有 ChatGPT 用戶推送。作者實測發現,多輪編輯的人物一致性較穩,但複雜動作、手寫姿態和畫面銜接仍有不足。GIF 會先由生圖模型生成多宮格整合圖片,再經程式碼裁切、拼接;網頁端已可使用。

    推薦理由:文章以實測呈現 GIF 生成的速度、一致性與動作瑕疵,並説明多宮格裁切拼接的實現方式,展示功能的可用之處與限制。

11月5日週四
  1. DEV Community76

    LongCat-2.5、Kimi K3.1 Pro 與 DeepSeek V4.1-Flash-1017 比較價格、基準及授權

    ToolPilot Pro 比較 LongCat-2.5、Kimi K3.1 Pro 與 DeepSeek V4.1-Flash-1017 的 API 價格、基準成績、權重取得和授權條款,並按成本、自託管、能力及長程智能體任務整理適用場景。

    推薦理由:文章把三款模型的價格、權重取得方式與授權條款放在同一框架,並標明基準來自不同廠商,方便按成本、自託管及長程智能體任務比較取捨。

11月4日週三
  1. 虎嗅80

    實測 iPhone 國行 Apple 智能:功能亮點與不足

    作者實測 iPhone 國行 Apple 智能開發者 Beta,涵蓋寫作工具、視覺智能、照片消除、摘要及 Siri 等功能。Apple 計劃隨 12 月推出的 iOS 27.3 正式推出相關功能;部分複雜任務要跳轉千問 App,跨應用上下文能否保留及多項操作能否連續完成仍未明確。實測亦發現照片消除留下修復痕跡,連續使用 AI 時 iPhone 16 Pro 發熱明顯。

    推薦理由:多項實測呈現國行 Apple 智能首批功能的使用情況,亦記錄照片修復痕跡、手機發熱及跨應用銜接限制,提供直接的體驗參照。

  2. 虎嗅78

    iPhone 中國內地版 Apple Intelligence 實測:有亮點、有不足,另有驚喜

    iOS 27.3 開發者測試版向中國內地用戶開放 Apple Intelligence 測試,功能由 Apple 自研模型與阿里千問(Qwen)共同支援。實測中,Siri 能處理簡單問題和基本設定,複雜任務須經用戶同意調用千問;照片消除在背景簡單時效果較好,即時翻譯延遲不到 1 秒。

    推薦理由:文章逐項實測 Siri、照片消除、即時翻譯及視覺智能,呈現各功能的實際表現差異,並記錄第三方 App 搜尋服務的接入情況。