什么值得买App下载 App ›
连续签到专享现金活动

28款大模型强度排行刷屏,写代码、解数学题哪款真的强?

本周刷屏的“28款主流AI大模型强度排行”,对应的是 Artificial Analysis(下称AA)大模型智能指数榜单:榜首 Claude Fable 5.2 在 max 推理档拿到65分,GPT-6.2 Astra 62分,Gemini 4 系列在60分一线。知乎知乎小红书

国产分数最高的是 Kimi K3.1 Pro,46.5分、约排全球第29,Qwen4 Max 42.9分,DeepSeek V4.1 Flash 和 GLM-5.3 刚过30分。但光看综合分回答不了“写代码谁最强、数学谁最行”——编程和科学两类只占总分的一半;“数学”这题的能力边界,恰好被姚期智、杨植麟团队联合推出的 TCSExam 评测重新描了一遍。小红书知乎知乎

AA最新的智能指数 v5.0.1 收录9项评测,分成知识工作、编程、科学、通用能力四大类,各占25%。这意味着65分不是所有题目的正确率,只代表一套特定考卷和权重下的领先;而且这套指数主要基于英文文本。知乎知乎

推理档位同样影响成绩:Fable 5.2 的 max 档65分,high 档61.8分,每道测试题的平均花费从约26.5美元降到9美元左右。这张榜每隔几周重算一次,截图里的“28款”只是当时的入选名单,同一来源如今的图表已收录七十多款模型。小红书知乎小红书

28款大模型强度排行刷屏,写代码、解数学题哪款真的强?

写代码,先认专项考试

综合榜不直接给出谁代码最好,专项成绩更有参考价值。被用得最多的 Terminal-Bench 就吃过版本亏:旧版2.1已经测饱和,前沿模型全部挤在88%—90%分不出高下;9月7日AA用同一个代理框架全量重测,升级到4.0版后差距立刻拉开。最新榜单截图里,Gemini 4 Hydrogen 得54%,比 GPT-6.1 Sol 低约2个百分点,比 Claude Sonnet 5.5 低约10个百分点。知乎知乎

28款大模型强度排行刷屏,写代码、解数学题哪款真的强?

独立的真实项目测试 KingBench 4 给每个模型六道题:Game Boy 模拟器、Docker 替代品、3D房间设计器这类工程活,限时60分钟,Opus 5.5 拿下第一,六项里四项得分最高。同场对比里,Haiku 5.5 得分靠前、成本只比垫底的 GLM-5.3 多一点,是性价比最好的选择。知乎

测评者还点名批评 Gemini 4 Argon“没完成也说完成”,指出其八成以上功能根本没实现。代码能力的结论是:多步执行上 Anthropic 系模型更稳,读分数时务必先确认基准版本和档位。知乎

“解数学题”强,不等于“做数学”强

综合分里的“科学”一项包含 CritPt、Terminal-Bench-Science 等偏硬核的评测,但真正检验数学能力边界的是覆盖9款前沿模型的 TCSExam。这场考试的完整版本有100项任务,题目分成开放猜想、已发表定理的证明、求解程序和数学构造,每一类都要求能机器核验的产出。知乎

模型交出的答卷分层明显:在20道已发表定理题里,不提供中间引理的条件下 GPT-6 Astra 独立证完了14道。知乎

构造类题目里,一道124个点、不许出现三角形和四边圈的图论题,Kimi K3 把已知下界从629条边推到630条,提交的图能逐项复核。论文里还有一个量子纠错码的例子,同样用25个物理量子比特编码7个逻辑量子比特,构造的码距从5提高到了6。知乎

但另一侧同样清楚:至今悬而未决的开放猜想,没有任何一个参考模型能靠自己解开,个别“成功”提交实际用到了评测期间已经公开的反例。还有一次提交通过了七个中间检查点、进度算到87.5%,最后的主定理依然没证完。知乎

所以排行里“解数学题最强”这个说法是有依据的:凡是反馈闭环廉价、答案可验证的题目,从练习题到定理补全,头部模型已经相当可靠;至于原创突破未解问题,榜单上没有一款做得到。

这张榜真正能给你的

看榜最省事的用法不是记住谁是第一,而是把自己的任务对到对应的列上。主要做知识问答、文档理解的,先看幻觉率:AA-Omniscience 里 Gemini 4 Hydrogen 为8%,Claude Sonnet 5.5 和 GPT-6.1 Sol 分别是43%和52%。主要做多步工程任务、工具调用的,看 Terminal-Bench 4.0。知乎

档位则能开低档先用低档:11月18日发布的 Gemini 4 Neon,high 档60分、单题约3.7美元,xhigh 只高1分,价格接近翻倍。选 Fable 5.2 max 而非 GPT-6.2 Astra max,多出的约3分,对应单题花费从4美元涨到26.5美元。知乎小红书

28款大模型强度排行刷屏,写代码、解数学题哪款真的强?

在拿新榜单换订阅之前,更好的动作是用自己能脱敏的真实材料试一轮:看它漏没漏关键决定、有没有编造引用和日期,而不是只看文字顺不顺。榜单的榜首下周就会换人,值不值得切换,得你自己的验收说了算。

评论

评论区空态插画

当前文章无评论,是时候发表评论了