引擎 · 大模型

大模型

每个阵营只看最强与最新的两个(国产开源看最强的一个),各自在编程、办公、科研与物理世界上有什么可核对的数字。厂商数字一律是官方口径。

阵营 × 能力

只收可以核对的数字,每格写明基准版本、测法和谁报的。同一列里基准或测法不同的数字不能横比,也不要跨阵营相减;空格表示还没有公开数字,不表示做得差。

OpenAI

最强与最新:最强是 GPT-6 Astra,依据 Artificial Analysis 智能指数 v5.0.1(max 档)57,OpenAI 已发布模型里最高;GPT-6.1 Sol 为 55(2026-11)

GPT-6.1 Sol

本期新增
OpenAI · 2026-09-29 · 闭源 API

DevDay 上发布的 GPT-6 Sol 升级版:官方称在智能体编程、计算机操作与专业工作上接近 GPT-6 Astra,价格约为 Astra 的五分之一。

接近 Astra、价格约 1/5
指标、来源与递出去的东西
  • 定位:官方称在智能体编程、计算机操作与专业工作上「接近 GPT-6 Astra 的智能水平」,标准价格约为 Astra 的五分之一;原定同批的 GPT-6.1 Astra 没有发布,《华尔街日报》报道原因是内部测试中出现安全顾虑官方口径(OpenAI 发布页本期未能直接打开,经 TechCrunch 转述) 原文 ↗
  • 第三方综合指数:Artificial Analysis 智能指数 v5.0.1:max 档 55(GPT-6 Astra 为 57)Artificial Analysis(artificialanalysis.ai/leaderboards/models,2026-11)
  • 可靠性:低推理档下含事实错误的回答从 GPT-6 Sol 的 11.4% 降到 7.7%(官方口径)官方口径(经 TechCrunch 转述) 原文 ↗

GPT-6 Astra

阵营最强本期新增
OpenAI · 2026-09 · 闭源 API

OpenAI 2026 年 9 月的新旗舰:把计算机操作、长程专业工作与网络安全同时推到新高度。

OpenAI 新旗舰传导 · 同一个基准,两个都算数的分数传导 · 从压缩摘要到可检索的持久上下文传导 · 通用大模型进入科研工作台传导 · 通用大模型直接当机器人策略
指标、来源与递出去的东西
  • 定位:官方称是「全球智能程度最高且最符合人类意图的模型」官方口径
  • 计算机操作:OSWorld 2.0 的延迟模拟中得分 72.6%、每项任务约 40 分钟;上一代 GPT-5.6 Sol 为 65.7%、约 75 分钟官方口径
  • ARC-AGI-3 的两个数字:官方发布页宣称 99.9%;ARC Prize 用中立的 Standard harness 复测只有 62.7%(花费 $26,098),99.9% 来自 OpenAI 自家的 Provider Adapter harness($18,817)——后者允许模型使用厂商为自己设计的上下文管理特性官方口径;ARC Prize 官方博客 arcprize.org/blog/astra
  • 越界行为:在基于 Hugging Face 事故构建的评测里,无生产防护时 GPT-5.6 Sol 有 48% 的案例超出授权目标,Astra 为 0%官方口径
  • 网络安全:官方称达到自家 Preparedness Framework 的网络安全 Critical 阈值;ExploitBench 满分 100%(Sol 78.5%),ExploitGym 42.4%(Sol 30.3%)官方口径
  • 机器人控制(第三方):RoboDojo 全部 42 个任务、2,100 次试验,平均成功率 22.48%、得分 28.97,排在 40 个公开机器人策略之上;同样后处理下 GPT-5.5 只有 0.88%。语义类任务强,精细、动态与双臂协调弱。Anthropic 在 Fable 5.2 发布页按自家 harness 跑出的数字是 29.8%,两家测法不同arXiv:2609.24170(第三方论文)
  • 真机与人形(第三方):商汤等团队在 12 个基准、8 种真机构型上评测:当高层推理器、配合 π0.5 这类底层控制器闭环「代价高但有效」;结论是已有具身能力,离实用的具身智能还远arXiv:2610.22471(第三方论文)
  • 递给AI4S:官方称 GPQA Diamond 96%,演示了直接操作科研软件检查测序质量、可视化基因变异;还参与把「无穷多次出现的素数短间隔」的已知上界从 240 改进到 186(官方口径)。
  • 递给RSI:发布三天后,OpenAI 宣布达成「自动化研究实习生」目标(见 RSI 线)。

Anthropic

最强与最新:最强是 Claude Fable 5.2,依据 Artificial Analysis 智能指数 v5.0.1(max 档)65,总榜第一(2026-11)

Claude Fable 5.2

阵营最强本期新增
Anthropic · 2026-11-09 · 闭源 API

Anthropic 能力最高的一档:与 Mythos 5.2 是同一个模型、两档防护;编程、计算机操作之外,第一次把机器人控制写进发布页。

Anthropic 最高档、降价传导 · 通用大模型直接当机器人策略
指标、来源与递出去的东西
  • 定位:Fable 5.2 与 Mythos 5.2 是同一个模型;Fable 带网络安全与生物安全分类器、面向所有用户,Mythos 只给通过验证计划的机构。Fable 5.2 输入 $8、输出 $40 每百万 token(5.1 为 $10 / $50)官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 第三方综合指数:Artificial Analysis 智能指数 v5.0.1:max 档 65,总榜第一;Gemini 4 Carbon(high)60、Claude Opus 5.5(max)59、GPT-6 Astra(max)57Artificial Analysis(artificialanalysis.ai/leaderboards/models,2026-11)
  • 编程:FrontierCode 2.0 在 xhigh 档 49.1%(Fable 5.1 为 32.4%,Opus 5.5 为 45.5%,GPT-6 Astra 为 42.8%);FrontierSWE v2 为 69.9%官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 计算机操作与远程工作:OSWorld 2.1(离线集、部分任务)89.3%(Opus 5.5 为 87.2%,GPT-6 Astra 为 79.5%);Remote Labor Index 在 high 档 41.3%(Opus 5.5 为 21.3%,GPT-6 Astra 为 20.8%)官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 科研:Terminal-Bench-Science 0.1 为 74.6%(Opus 5.5 为 58.7%,GPT-6 Astra 为 68.1%);带工具的 Humanity's Last Exam 为 74.2%官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 机器人控制:RoboDojo 模拟(看摄像头画面控制双臂机器人)在 max 档 64.9%;同表 Fable 5.1 为 27.6%、Opus 5.5 为 39.4%、GPT-6 Astra 为 29.8%。全部由 Anthropic 内部跑,没有真机数字;同一基准上第三方论文测 GPT-6 Astra 为 22.48%官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 硬件设计:BenchCAD 2.1 在 max 档 83.5(Opus 5.5 为 65.3,Fable 5.1 为 44.4)官方口径(anthropic.com/claude-fable-and-mythos-5-2)
  • 递给世界模型:官方称在没有专门训练过的机器人任务上控制能力大幅提升,RoboDojo 模拟 64.9%(见传导「通用大模型直接当机器人策略」)。
  • 递给RSI:Anthropic 称合入其核心代码库的改动 90% 以上由 Claude 编写(有人类指导,官方口径,见 RSI 线)。

Claude Opus 5.5

Anthropic · 2026-09-22 · 闭源 API

Claude 5.5 家族的第一个模型:官方称多数工作上与 Fable 5.1 持平,运行成本低 40%,输出快 30% 以上。

Fable 级能力、便宜 40%
指标、来源与递出去的东西
  • 定位:官方称「多数工作上达到 Claude Fable 5.1 的水平」,运行成本比 Opus 5 低 40%;输入 $4、输出 $20 每百万 token官方口径(anthropic.com/claude-opus-5-5)
  • 编程:Terminal-Bench 4.0 得分 66.4%(Fable 5.1 为 55.8%,Opus 5 为 52.3%);官方也提醒与 Fable 5.1 的实际差距比分数显示的小官方口径(anthropic.com/claude-opus-5-5)
  • 计算机操作:OSWorld 2.0 得分 81.8%(Fable 5.1 为 80.7%,Opus 5 为 74.0%)。同一个 Opus 5,OpenAI 的发布图里记作 60.3%(推理档与测法不同)——两家报的数字不能直接相减官方口径(anthropic.com/claude-opus-5-5)
  • 知识工作:GDPval-AA v2.1 为 1846 Elo(Fable 5.1 为 1735,Opus 5 为 1708)官方口径(anthropic.com/claude-opus-5-5)
  • 科研:Terminal-Bench-Science 0.1 得分 58.7%(Fable 5.1 为 52.6%)官方口径(anthropic.com/claude-opus-5-5)
  • 递给AI4S:与 Dyno Therapeutics 合作的长程分子预测与设计评测上有提升,专家评其科学新颖性与测过的最好模型相当(官方口径)。

Google

最强与最新:最强是 Gemini 4 Carbon,依据 Artificial Analysis 智能指数 v5.0.1(high 档)60,Google 已发布模型里最高(2026-11)

Gemini 4 Carbon

阵营最强本期新增
Google DeepMind · 2026-10-28 · 闭源 API

Google 的新前沿模型:10 月 28 日先只给网络安全防御方,11 月 10 日向所有付费开发者与企业开放,主攻多步编程与科研。

Google 新前沿
指标、来源与递出去的东西
  • 定位:官方建议多数软件工程与知识工作仍用 Argon,Carbon 面向更难的多步编程与科学研究;入门价输入 $2、输出 $10 每百万 token,11 月 30 日后为 $4 / $20官方口径(blog.google,2026-11-10) 原文 ↗
  • 第三方综合指数:Artificial Analysis 智能指数 v5.0.1:high 档 60,总榜第二(Claude Fable 5.2 为 65)Artificial Analysis(artificialanalysis.ai/leaderboards/models,2026-11)
  • 网络安全:SEC-bench Pro(找漏洞,不加防护)88.2%;ExploitGym 54.8%;CWE-bench(修补)71.0%官方口径(blog.google,2026-10-28) 原文 ↗

Gemini 4 Argon

本期新增
Google DeepMind · 2026-10-13 · 闭源 API

Gemini 4 家族的第一个模型,面向开发者与企业全球开放;官方同时把它定位成「通用物理推理模型」,接进了机器人。

Gemini 4 主力档传导 · 通用大模型直接当机器人策略
指标、来源与递出去的东西
  • 定位:面向开发者与企业全球开放;入门价输入 $2、输出 $10 每百万 token,11 月 30 日后为 $4 / $20官方口径(blog.google,2026-10-13) 原文 ↗
  • 第三方综合指数:Artificial Analysis 智能指数 v5.0.1:high 档 50Artificial Analysis(artificialanalysis.ai/leaderboards/models,2026-11)
  • 具身推理:ERQA(具身推理问答)纯推理 87%,官方称超过所有其他前沿模型(对照数字只在图里)。测的是对物理场景的理解与推理,不是直接控制;另有演示:先在 MuJoCo 数字孪生里练,再上真机,真机成功率从 56% 升到 75%官方口径(developers.googleblog.com/gemini-4-argon-for-robotics)
  • 递给世界模型:官方把 Argon 定位为通用物理推理模型:给机器人做规划、用数字孪生先练再上真机,并在奔驰产线试点里与 Gemini Robotics 2.5 分工(见世界模型线)。

国产开源

只看最强的一个:最强是 Kimi K3.1 Pro,依据 Artificial Analysis 智能指数 v5.0.1 为 46,开放权重第一(2026-11)

Kimi K3.1 Pro

阵营最强本期新增
月之暗面 · 2026-11 · 开放权重

月之暗面的 2.8T MoE 原生多模态智能体模型(104B 激活、百万 token 上下文),11 月初在 Hugging Face 开放权重。

开放权重第一
指标、来源与递出去的东西
  • 定位:开放权重模型里的第一名:Artificial Analysis 智能指数 v5.0.1 为 46,开放权重第一,与闭源第一档(65)差 19 分Artificial Analysis(artificialanalysis.ai/leaderboards/models,2026-11)
  • 规模与许可:MoE,2.8T 总参数、104B 激活,896 个专家;1M token 上下文;视觉编码器 MoonViT-V2;MXFP4 权重量化训练;自定义 Kimi K3.1 Pro 许可Hugging Face 模型卡 moonshotai/Kimi-K3.1-Pro
  • 编程:DeepSWE v1.1 为 75.5(GPT-6 Astra 74.1、Opus 5.5 74.2);Terminal-Bench 4.0 为 65.7Hugging Face 模型卡 moonshotai/Kimi-K3.1-Pro(官方口径,对照数字多引自他家发布页)
  • 计算机操作:OSWorld V2.1 为 79.6(Opus 5.5 81.8、GPT-6 Astra 75.8)Hugging Face 模型卡 moonshotai/Kimi-K3.1-Pro(官方口径)
  • 科研:Terminal-Bench-Science 0.1 为 38.1(GPT-6 Astra 68.1、Opus 5.5 63.3);GPQA-Diamond 94.2——科研智能体任务上与闭源第一档差距最大Hugging Face 模型卡 moonshotai/Kimi-K3.1-Pro(官方口径)
往期模型 · 12

递出去的

大模型这一侧发生的事,传到了科研、物理世界与 RSI。

物理版 MCP:Model Hardware Standard有论证,无实验大模型 → 世界模型、AI4S
同一个基准,两个都算数的分数有实测数据大模型 → 世界模型、RSI
从压缩摘要到可检索的持久上下文有论证,无实验大模型 → 世界模型、RSI
通用大模型进入科研工作台有演示无数据大模型 → AI4S
通用大模型直接当机器人策略有实测数据大模型 → 世界模型