#AI 基准测试

Anthropic 的标价没有变化：输入仍为每百万 token 10 美元，输出仍为每百万 token 50 美元。全部节省都来自缓存读取价格下调 75%，降至每百万 0.25 美元，而这只会在复用前缀的工作负载中体现出来。

2天前

Qwen3.8-Max 于周一上午上线，基准表显示其在 GPT-5.6 Sol 和 Claude Fable 5 上取得胜利。但完整查看同一张表会发现，它在所有高难度 agentic engineering 项目上全部失利。

2026年8月3日

AI Technology Evaluation 以从未公开的盲测数据对模型打分，这也是判断基准结果是否被记忆的唯一方式。它完全不具备监管效力。

2026年7月28日

RadLE 2.0 在 200 个 X 光病例上测试了 16 个前沿模型，并采用会惩罚自信错误的评分体系；人类放射科医生得分为 988.7 分，满分 2,000 分，优于最佳 AI 的 758 分。

2026年7月19日

随着标准排行榜趋于饱和且受到污染，中国AI领袖主张，应以真实世界任务表现——以及“每日活跃智能体”等指标——取代静态基准测试。

2026年7月19日