旧榜分数逼近满分,新榜实战却集体不及格。AI排行榜正经历信用重估,企业选型从看名次转向看交付。

Kimi K3.1 Pro实测提速,终端任务和办公自动化成绩大幅提升,API输出价格下调;但额度消耗、复杂视觉与物理场景稳定性仍待观察,具身智能路线再引猜测。

一组单轮实测显示,Opus 4.8在识别矛盾、标注不确定性和任务规划上表现突出,Kimi 2.6紧追,ChatGPT 5.5更偏完整执行。

北大团队开源One-Eval框架,10小时完成DeepSeek-V4全量评测,颠覆传统低效模式。背后是估值数百亿美元的评测产业链,Scale AI等巨头已构建从工具到数据服务的商业闭环。

腾讯混元Hy3 preview模型正式亮相,在推理、代码、自然对话等维度表现均衡,但复杂逻辑陷阱识别仍有短板。实测显示,其智能体能力已具备实用价值,但深度执行和交付完整性有待提升。