AI 模型 评测

本文把 Cloudflare 于 2026 年 10 月 1 日发布的判断模型 Clef 与 Clef-flash 的官方博客全文与 Workers AI 模型页面（价格与规格）对照整理：只返回带类型概率而不生成文本的机制、vision encoder 与 64k 上下文、全部基准数值（含落败指标）、判断速度中位数 209 毫秒与 Jev 的 524 毫秒、每百万输入 token $0.24／$0.09 的价格、与 Jev API 兼容的用法、基于 Qwen 主干与 RLCD 的训练方式、新发布的强化学习微调平台，以及自行部署时的注意事项。

本文把 Google DeepMind 于 2026 年 9 月 30 日发布的 Gemini 4 Argon 官方博客、X 发布帖、19 项基准测试全部数值，以及海外媒体报道对照整理：100 万 token 输出上限意味着什么、导入价 $2/$10 与之后 $4/$20 的差别、分 4 阶段开放目前走到哪一步、Google 内部的实际案例、与 DeepSeek V4 的价格差，以及为什么不能直接相信发布时的数字。

基于官方数据对比 Xiaomi MiMo-V2.6（Pro、Flash、Pro-UltraSpeed）的价格与基准测试。缓存命中时输入仅 $0.0028，为未命中价的五十分之一；Pro 在 Artificial Analysis Intelligence Index 上取得 46.32 的开源最高成绩。CyberGym 95.1 与 OSWorld 82.0 属第一梯队，而 Terminal Bench 4.0 的 34.9 与 ExploitBench 的 47.9 是明显短板。同时整理 RL 训练成本公开内容与按用途的选型建议。

Cognition（Devin 开发方）发布的 SWE-1.7 完整解读。以 Kimi K2.7 为基础 RL 训练的次时代编码 AI。1000 token/秒极速推理、逼近 Opus 4.8 的基准性能、性价比最强。从免费开始的 Devin 用法到 CLI/Desktop 设置，面向初学者的彻底指南。已补充 2026年9月15日 Devin 的 Mac VM 支持（iOS 构建、画面录制、TestFlight 分发）。

ChatGPT 背后方法的共同开发者 Diogo Almeida 于 2026年9月15日发布决策专用模型 Jev。这款用 RLCD 训练的 System One 模型不生成文字，只返回带概率的类型化判断，官方称最高快 200 倍、输入每百万 token $0.042、输出免费。含 Choice／Score／Noul 三种基元、注册步骤与注意点，全部基于一手资料。

DeepSeek 于 9 月 10 日正式发布 V4.1 Flash。Pro 请求自动路由至新模型并按 Flash 价格计费（输出 $0.60/1M），一个月内反转 8 月涨价。社区实测 500 tok/s、原生多模态与未验证主张的注意事项。

Meta 的 Muse Spark 1.3 max 推理模式正式开放——在独立基准 Coding Agent Index 上以 68 分与 Claude Opus 5 并列第一，价格约为顶级 Claude 智能体的 1/5。基准表现、官方演示、使用方式与诚实的短板。

把 OpenAI 官方文档拆解成 10 个 GPT-6 Astra 省 Token 技巧：缓存友好的前缀设计、configuration_update 中途调档、服务端压缩，以及必须避开的两个计费陷阱。

通俗详解蚂蚁集团 inclusionAI 开发的 Ling-3.0-flash（总 124B / 激活 5.1B・混合线性 MoE・256K 上下文・MIT 许可证）。用约 1/12 的计算成本实现比肩 1T 级旗舰的性能，OpenRouter 可免费使用。介绍 SWE-Bench Pro 56.6、AIME 2026 93.2 等基准、编码/智能体用途与 API 用法。另介绍医疗特化版 Ling-3.0-flash-Sante（诊断推理超越 GPT-5.6 Sol・DiagnosisArena-MCQ 83.8）的能力，以及作为医疗 AI 使用的绝对注意事项（禁止确定诊断、判断处方、直接向患者提供建议等）。

一则爆火的 X 演示：Gemini 3.8 Flash 扫描 2 小时足球比赛，自动找出所有黄牌、标在 2D 球场上，点击即可跳到准确位置。底层是 Google 于 2026 年 9 月 1 日发布的 Agentic Video Understanding：Token 最高减 88%、成本最高降 66%、精度最高提升 7%。附 API 代码（直接传 YouTube 链接即可）与应用场景。

Google DeepMind 与 Google Research 于 2026 年 9 月 3 日发布 WeatherNext 3——迄今最准确的全球 AI 天气预报模型。直接学习实时卫星数据并每小时更新，分辨率约为上代 5 倍（5km），降水预报精度最高提升 60%。还可预测风力和太阳能发电量。即日起在搜索、Gemini、Maps、Cloud 提供。附官方 YouTube 视频详解。

2026 年 9 月 3 日，OpenAI 发布下一代旗舰 GPT-6 Astra。总裁 Brockman 表示「欢迎来到 AGI 时代」。以超 10 万 GPU（史上最大规模）训练，是首个在 Preparedness Framework 下获「Critical」网络安全评级的模型。先向 Daybreak 组织开放，未来几天内向 ChatGPT Plus/Pro/Enterprise 与 API 开放。基于 Axios、NBC、CNET 与 OpenAI 官方公告的速报。

完整解读 2026 年 9 月 2 日发布的 Google Gemini 3.8 Flash。距 3.7 Flash 仅 3 周——6 周内第 3 次 Flash 发布。HLE-Verified 54.9%（超 Opus 5）・Terminal-Bench 90.8%。以 $0.75/1M 输入提供前沿级性能。安全专用版 3.8 Flash Cyber 在 CyberGym 取得 86.2% 顶级成绩。涵盖价格・上手・竞品对比。

完整解读 2026 年 9 月 2 日发布的 Meta Muse Spark 1.3。相比 1.2 工具调用减 20%・Token 减 25%。DeepSWE v1.1 75.4（超越 Opus 5）・MRCR 长上下文 98.5・Terminal-Bench 88.8。价格 $0.10/1M 输入起（contributor）。涵盖 Muse Code 上手・竞品对比・下一代 Watermelon 模型。

深度介绍阿里 Qwen 于 9 月 2 日发布的 Qwen3.8-Max-0902。2.4T 参数（A95B 激活）・100 万令牌上下文的 MoE 追加了 Coding & Cowork 后训练。TerminalBench 3.0 从 11.3 提升到 29.0（2.6 倍）・ProgramBench 从 10.5 提升到 28.0（2.7 倍）。QwenCloud API 输入 $2 / 输出 $6（每 100 万令牌）。

深度介绍 Abliteration.ai 于 8 月 31 日发布的 abliterated-model-large-v2。基于 GLM-5.3（Terminal-Bench 4.0 第 3 名）的拒绝向量移除模型，网络性能约为前代 2 倍（ExploitBench 24.4→54.4）。CyberGym 84.5% SOTA。100 万令牌上下文、FP8、零数据保留、企业策略网关。

深度介绍 Ultralytics 发布的 YOLO26 —— 一个框架搞定 7 大任务（检测、实例/语义分割、深度估计、分类、姿态、OBB、追踪）的最新目标检测模型。pip install ultralytics 即用，nano 到 xlarge 共 5 种尺寸，支持导出 TensorRT/ONNX/CoreML/TFLite。

深度介绍 ByteDance Seed・北京大学・浙江大学发布的 Lucida —— 把真实室内场景重建为完整、可编辑 3D 物体资产的 Real-to-Sim 研究。Parse→Generate→Place 三段式流水线，以及 VLM 操作的 3D 编辑器 GizmoAct。检测 +69%、Scene F-Score 0.924 的评测结果。

深度介绍 Google Research 发布的 TimesFM-3 —— 330M 参数的时序基础模型，单次前向传播实现高精度多变量预测。前瞻策略、交替注意力（因果时间 + 全变量）、非自回归解码三要素，以及 Gift-Eval・FEV-Bench・Time 排名第一的基准结果。

深度解析百度发布的 Unlimited-OCR —— 以 DeepSeek-OCR 为基础、搭载 R-SWA（Reference Sliding Window Attention）的下一代 OCR。KV 缓存恒定，32K 长度内一次解析数十页文档。包含安装、用法、原理以及与 DeepSeek-OCR 的区别。

DeepSeek-V4-Flash-Vision-Exp（MIT・2026-08-31 发布）是 V4 家族首个实验性多模态模型。加入视觉编码器获得图像理解。ApexBench 36.5（逼近 Opus-4.8）・Chartography 64.3。总参数 304.6B（MoE・256 专家）・模型约 168GB，本地运行不现实，API 是现实解。

Ornith-1.5-35B-A3B 是 35B MoE・3B 激活的编程模型。SWE-bench Verified 79.0，编程基准全面超越 Qwen3.6-35B。量化内存指南（Q4_K_M 21.7GB 到 BF16 71.1GB）、预算 PC 配置、llama.cpp/vLLM 安装。

带出处详解 MIT CSAIL 用 3D 打印复活 1985 年专利「三向拉链」的「Y-zipper」。含原理图解、发明人 William Freeman、四足机器人腿应用，以及 18,000 次耐久数据。

详解 Microsoft CEO Satya Nadella 在 X 上宣布 NVIDIA 下一代 AI 服务器「Vera Rubin」首批量产机抵达 Microsoft 数据中心的推文。准确引用、NVL72 机架图解、约 3.3 倍 Blackwell 性能，以及 NVL144 与 NVL72 的区别。

用 Cheaper Inference 以官方价格最高便宜 60% 使用 Claude、GPT、DeepSeek、Gemini 等主流 AI 模型。完整解析截至 2026 年 8 月 16 日的最新价格对比（Claude Opus 5 / GPT-5.6 / DeepSeek V4 / Gemini / GLM 等）、便宜的原因与 OpenAI 兼容 API 的用法。

全面解析 Liquid AI 发布的 LFM2.5-PII-Detector——一款一次同时检测 16 种语言、40 类 PII 的编码器模型。与正则表达式、生成式 AI 过滤器的区别、Python 用法、11 个 PII 领域、与 OpenAI privacy-filter 的基准对比，附图解，面向初学者通俗讲解。

RedNote（小红书）AI 实验室「dots studio」发布的 dots3-note Preview（280B MoE・激活 16B・512K 上下文・全模态）完全解析。与 DeepSeek V4 Flash、GPT-5.5、Kimi K3 等的官方基准对比、TEMPO 新 RL 方法、SGLang/vLLM 运行方式——Apache-2.0 开源权重，面向初学者通俗讲解。

xAI 发布的 Grok 4.6 彻底解析。AA Intelligence Index 达 61，与 GPT-5.6 Sol 持平。以与 Grok 4.5 相同的价格实现前沿性能。官方基准完整对比表、API 价格、用法，基于官方资料。

DeepSeek 于 2026年7月31日 发布 V4 Flash 官方 API 公测。智能体性能超越 V4 Pro Preview，原生支持 Claude Code・Codex・OpenCode・OpenClaw・Hermes・Reasonix 六款工具。价格（1M 输出 $0.28）・Responses API・Thinking Mode・接入步骤，基于官方 API 文档真实数据全面解读。

Moonshot AI 于 2026 年 7 月发布 Kimi K3（2.8T・全球首个 3T 级开源模型・KDA 注意力・Terminal-Bench 88.3%）。同时解读社区超小型版（0.18B・700MB・普通电脑可运行）的技术规格、架构保留机制，以及 GGUF 版（IQ1_S・527GB）的现状 —— 基于 HuggingFace 与 X 的真实数据。

Poolside 于 2026 年 7 月 21 日发布 Laguna S 2.1 —— 118B 总参数 / 8B 激活 MoE、1M 上下文、思考模式。在 Terminal-Bench 2.1（70.2%）等 6 项基准上逆转 DeepSeek-V4-Pro-Max（1.6T）。完整分数对比、思考模式效果、本地运行与 API 价格，面向初学者。

InternScience 发布的 Agents-A1（35B MoE・Apache-2.0）深度分析。附与 GPT-5.5、DeepSeek-V4 的基准对比表，科学调研・指令遵循的惊人实力与用法・优缺点，面向初学者通俗讲解。

基于阿里巴巴 Qwen3.6 的无审查・Hermes 特化・多模态 MoE 模型，在自家 PC 上运行的完全指南。所需配置・安装步骤・推荐量化，面向初学者。

Bonsai 27B 是 PrismML 开发的极限压缩 AI 模型。通过 1-bit/ternary 量化，27B 参数以 3.9GB 的大小装进 iPhone。无需云端・隐私保护・支持离线运行。面向初学者，结合实机信息解析为什么厉害、与以往模型的差异、实际用法。

完整比较 OpenAI GPT-5.6 Sol、Terra、Luna。API 价格、ChatGPT 各方案的使用可能、基准分数、上下文窗口、按用例的最佳模型、与 Claude Fable 5 和 DeepSeek V4 Flash 的成本比较。

完整解读 Unsloth 的 NVFP4 量化 Qwen3.6 模型。Qwen3.6-27B 在 24GB VRAM 下运行；35B-A3B 实现 17,561 tok/s。通过 Unsloth Studio・llama.cpp・vLLM 设置，加上思考/非思考模式・MTP 高速推理——面向初学者。

完整解读 xAI 的 Grok 4.5：Opus 4.8 同级性能，成本 1/4。与 DeepSeek V4 Flash・Fable 5・GPT-5.5 的基准・价格比较。token 效率是 Opus 的 4.2 倍。

彻底解读引爆话题的 HuggingFace 研究团队的「快到不得不加延迟」语音 AI 栈。NVIDIA Parakeet（STT）・Gemma 4 31B on Cerebras（LLM）・Qwen3TTS GGML（TTS）的组件规格与面向初学者的设置方法，以及 Reachy Mini 的规格和用 HuggingFace Inference Providers 从 $2 开始的方法。

完整解读 Google Research 的时序预测基础模型 TimesFM 2.5。200M 参数・零样本预测・BigQuery ML 集成・8 个行业用例・与 ARIMA/Prophet 的比较——面向初学者。

阿里巴巴 Qwen 团队发布的 Qwen-AgentWorld 完整解读。超越 GPT-5.4 和 Claude Opus 4.8 的「世界模型」是什么？从模拟 7 种环境的机制，到 AI 智能体学习的新范式，面向初学者通俗讲解。

完整解读 DeepReinforce 的 Ornith-1.0。在 Terminal-Bench 2.1 超越 Claude Opus 4.7・达成 SWE-Bench 82.4。9B/35B/397B 全模型比较・自脚手架技术・用 Ollama 开始的方法。

用 q2/reap+q4 量化本地运行 DeepSeek V4 Flash。在 DGX Spark/EVO-X2/Mac Studio 上最大化利用 96–128GB VRAM 的完整方法。连 Vitalik Buterin 都关注的最强本地 LLM 安装步骤。

与 DeepSeek V4 Flash 同价却能原生处理图像・视频・音频的小米 MiMo-V2.5 系列：价格・性能・上手方法完全解读。附实际签约测试 API 的使用体验。

按 1M token 单位完全比较 DeepSeek V4 Flash・MiMo-V2.5・GPT-5.4・Claude Sonnet 4.6・Gemini 3 Flash 的 API 价格。还介绍月 $25 充分利用 DeepSeek 和 MiMo 的方法。