AI 博客

标签: model-comparison

← 返回 AI 博客

9 分钟读完

排行榜排的是那一对,不是模型

一个斯坦福与 UIUC 的团队,把来自 Holistic Agent Leaderboard 与 Harbor Index 的 22 个智能体基准的方差做了分解,结果按「你在主张什么」劈成两半。给一个固定的「模型+脚手架」系统排序是可靠的:泛化系数 0.935 到 0.994。从同一批 rollout 里给底下那个模型排序,则是 0.148 到 0.841。而惯常的补救办法有天花板——当脚手架覆盖面主导着不确定性时,哪怕无限多同类任务,也最多只换来 0.097 的可靠度。该向一个排行榜追问的数字,是它跑了几种脚手架,而不是几道题。

10 分钟读完

Kimi K3 开放权重,但这不等于便宜、本地或不受限

Moonshot 在 7 月 27 日把 2.8 万亿参数做成了免费下载——同时把自家 API 定价定得高于它所取代的上一代模型,而市面上没有任何一块 GPU 装得下这份权重。开放权重为智能体开发者换来的恰恰只有一样闭源 API 给不了的东西,而那样东西不是成本。

17 分钟读完

Claude Mythos 5、GPT-5.6、Gemini 3.2、Qwen 3.7 与 DeepSeek V4.1:2026 年 6 月的前沿模型大刷新

2026 年 6 月,五款前沿级模型在两周窗口内集中发布。差距早已不是谁登顶 MMLU——每家实验室如今押注的是不同的轴:智能体计算机操作、推理成本、多模态延迟,或纯粹的价格底线。先选好轴,再选模型。

18 分钟读完

Llama 4、DeepSeek V3、Qwen3 与 Mistral Large 3:四款开源权重旗舰,四种不同的下注方式

每隔几个月,四家实验室就会发布一款听上去差不多的开源权重旗舰——MoE、长上下文、推理模式、多模态,基准成绩也在彼此之间反复易手。可真正决定你在生产环境中跑哪一款的,是各家下一步押注的那条轴:多模态生态、推理经济性、智能体推理,还是宽松许可下的前沿能力。