实测 DeepSeek V4.1 Flash：4 元生成特斯拉飞行 3D 网页
作者在 DeepSeek Harness 中实测 DeepSeek V4.1 Flash，用纯提示词生成特斯拉飞行 3D 网页，耗时 35 分钟、消耗 3752 万 Token，按缓存命中 0.04 元每百万 Token 和输出 8 元每百万 Token 计算约花 4 元。
推荐理由：作者用多个实测案例对比 V4.1 Flash 与闭源模型的成本差距，可据此判断低价模型能覆盖哪些任务。
内容类型
评测基准 最新动态
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
6 条精选近 30 天 4 条共收录 32 条
更新
评测基准的精选
爱范儿精选AI 评分7878 The Decoder精选AI 评分7676 OpenAI 称 GPT-6 在 COBOL、Fortran 等遗留语言上表现大幅提升
OpenAI 表示已针对 COBOL、Fortran、Visual Basic 等低资源语言改进最新模型，并构建 MultiLangBench 与 COBOL 迁移两个评测来衡量进展。
推荐理由：OpenAI 公布的两个基准显示，GPT-6 系列在 COBOL、Fortran 等低资源语言上的通过率大幅提升，可对照旧版本看差距。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 Gemini 4 Argon 并公布安全防护方案
Google DeepMind 开始广泛推送 Gemini 4 Argon，并同步发布安全与安全报告，说明其在高风险领域的防护设计。该模型在 12 个端到端模拟网络攻击场景中全部完成，上一代为 5 个；在 Gray Swan 的间接提示注入基准上，15 次自适应攻击的成功率降至 0.7%。
推荐理由：原文披露了 Gemini 4 Argon 在网络安全与生物风险上的防护分层，以及智能体越界行为的监控数据。
Qwen (X)精选AI 评分7878 阿里发布 Qwen Intelligence，推出三款手机端 SOTA 智能体
阿里发布 Qwen Intelligence，首批上线 Mobile Planner、Mobile-Use、Mobile Creative 三款手机端智能体。
推荐理由：官方给出三个手机端智能体的分工与基准成绩，并同步开放评测套件，便于判断移动端智能体当前能力边界。
AI at Meta (X)精选AI 评分6868 Meta 的 AIRA₃ 在 NVIDIA Kaggle 竞赛中获金牌，约 4000 支队伍中排第 8
Meta 称其在 6 月让自主 AI 研究系统 AIRA₃ 参加 NVIDIA 在 Kaggle 举办的竞赛，任务是微调一个 30B 的 Nemotron 模型，使其推理能力更强。AIRA₃ 在约 4000 支队伍中排名第 8，获得金牌，成绩超过使用同等前沿工具的人类参赛者。Meta 认为这表明 AIRA₃ 能在特定能力上把模型提升到接近人类专家的水平。
推荐理由：Meta 公开 AIRA₃ 在 Kaggle 微调竞赛中的名次与参赛条件，可据此判断自主研究系统在模型能力改进上的位置。
Andrej Karpathy (X)精选AI 评分8282 Karpathy 评 Claude Fable 5 发布：与 Mythos 同底座，长任务能力显著跃升
Andrej Karpathy 评价 Claude Fable 5 发布，称其与 Mythos 是同一底层模型但增加了安全防护，基准测试全面 SOTA 且领先明显。
推荐理由：Karpathy 以第一手使用体验评价 Claude Fable 5 在长任务和复杂问题上的跃升，并给出对软件需求变化的判断。