赢政 AI 评测 — AI 模型评测、行业资讯与深度研究
赢政指数
完整排行榜 →
#1
Grok 4 83.7
▲2.7
·
#2
Claude Opus 4.7 81.9
▲1.9
·
#3
豆包 Pro 81.6
·
#4
Claude Sonnet 4.6 81.2
▼1.8
·
#5
DeepSeek V4 Pro 81.1
▲4.8
·
#6
Qwen3 Max 80.8
▲1.8
·
#7
GPT-5.5 79.4
▲2.4
·
#8
GPT-o3 78.5
·
#9
文心一言 4.5 74.2
▲7.1
·
#10
Gemini 3.1 Pro 52.8
▼24.9
·
#11
Gemini 2.5 Pro 49.3
▼29.7
·
▲ 文心一言 4.5 +70.7 · ▼ DeepSeek V3 -75.1
·
#1
Grok 4 83.7
▲2.7
·
#2
Claude Opus 4.7 81.9
▲1.9
·
#3
豆包 Pro 81.6
·
#4
Claude Sonnet 4.6 81.2
▼1.8
·
#5
DeepSeek V4 Pro 81.1
▲4.8
·
#6
Qwen3 Max 80.8
▲1.8
·
#7
GPT-5.5 79.4
▲2.4
·
#8
GPT-o3 78.5
·
#9
文心一言 4.5 74.2
▲7.1
·
#10
Gemini 3.1 Pro 52.8
▼24.9
·
#11
Gemini 2.5 Pro 49.3
▼29.7
·
▲ 文心一言 4.5 +70.7 · ▼ DeepSeek V3 -75.1
·
最新资讯
查看全部 →MLCommons公布2026 Rising Stars：39位机器学习系统新星入选
MLCommons公布第四届 Rising Stars 名单，39位来自全球26所机构的早期研究者从175多名申请者中脱颖而出。入选者研究覆盖大语言模型、ML系统效率、软硬件协同设计、可信AI、多模态学习及医疗、网络安全、科学计算等应用方向
Modal Labs 3.55亿美元C轮融资 5倍ARR增速领跑serverless GPU
Modal Labs于5月21日宣布完成3.55亿美元C轮融资，估值46.5亿美元，由Redpoint Ventures和General Catalyst领投。过去一年其ARR从6000万美元跃升至3亿美元，实现5倍增长。公司serverl
Cohere开源Command A+ 218B MoE模型重塑企业主权AI
Cohere正式开源Command A+，采用218B总参数、25B活跃参数的MoE架构，支持128K上下文与多模态输入。该模型在电信代理任务中得分从37%跃升至85%，终端基准硬难度从3%提升至25%。Apache 2.0许可允许企业自由
美国撤回AI前沿模型90天联邦审查令 凸显美中欧监管路径分歧
2026年5月24日，美国政府在签署前数小时撤回要求AI实验室前沿模型发布前接受90天联邦审查的计划，官方理由是避免削弱对中国的AI竞争优势。此举使OpenAI、Anthropic等实验室短期内免受联邦干预，但中期仍面临欧盟高风险评估与中国
AI安全实时博弈：连谷歌也在摸着石头过河
我们正处在AI安全过渡期——所有人都一样。无论巨头还是初创，都在实时应对前所未有的挑战。谷歌的安全举措暴露了系统性难题：传统安全框架失效，攻防博弈加速，监管滞后。本文深度解析AI安全现状，探讨行业如何从“被动应急”走向“主动防御”。
文心一言4.5代码执行从95暴跌至50，主榜单日掉27.2分
文心一言4.5今日Smoke评测主榜暴跌27.2分，核心原因是代码执行维度从95直接腰斩至50，材料约束仅小降5.5分。单日10题抽签带来的波动是否掩盖了真实能力退化，值得持续追踪。
DeepSeek V4 Pro 诚信评级 Fail 转 Pass，主榜单日暴涨 23 分
DeepSeek V4 Pro 在今日 Smoke 评测中诚信评级从 Fail 直接转为 Pass，主榜从 74.00 跃升至 97.08，材料约束单项上涨 23.5 分。单日 10 题快测下，这种幅度变化究竟是抽签运气还是真实能力回暖，需
DeepSeek V4 Pro 97.08分登顶，文心一言执行分腰斩暴跌27.2
今日Smoke评测显示，DeepSeek V4 Pro以97.08分（执行100、约束93.5）登顶，GPT-o3单日主榜暴涨31.4分，而文心一言4.5主榜暴跌27.2分、执行分直接腰斩至50，诚信评级从warn转为pass。
试戴Amazon Bee：AI便利与隐私焦虑的诡异结合
Amazon最新推出的AI可穿戴设备Bee，以其独特的设计和功能引发了广泛关注。作者在亲身体验后，感受到了前所未有的便利——随时随地的语音助手、实时翻译、环境感知等，但同时也被一种挥之不去的隐私担忧所困扰。就像蜜蜂在花丛中采蜜，Bee也在不
旧金山田德隆区：机器人接手非营利组织餐食制作
在旧金山最混乱的街区田德隆区，一家非营利组织因志愿者短缺转而采用机器人餐食制备技术。这套系统由创业公司打造，能自动完成切菜、烹饪和分装，每天可产出数千份餐食。尽管机器人无法完全取代人情味，但它们在缓解人力危机、确保食品卫生和效率方面展现了巨
Anthropic Claude Mythos模型安全隐患曝光 专家警示公开风险
Anthropic最新Claude Mythos模型被曝可利用超万软件漏洞，引发网络安全界强烈关注。专家指出该模型潜在危险性高，不宜公开使用。事件迅速发酵，行业内外就AI模型安全性展开激烈辩论，Anthropic面临监管与信任双重压力。文章
OpenAI正式提交S-1文件计划IPO，AI公司从非营利转向上市之路加速
OpenAI已正式向美国SEC提交S-1注册文件，标志着这家AI巨头从非营利组织向上市公司转型的重大一步。此举引发与Anthropic估值的对比讨论，凸显AI企业资本化进程的加速。文章分析其融资背景、行业影响及未来展望。
深度横评
查看全部 →MLCommons公布2026 Rising Stars：39位机器学习系统新星入选
MLCommons公布第四届 Rising Stars 名单，39位来自全球26所机构的早期研究者从175多名申请者中脱颖而出。入选者研究覆盖大语言模型、ML系统效率、软硬件协同设计、可信AI、多模态学习及医疗、网络安全、科学计算等应用方向
文心一言4.5代码执行从95暴跌至50，主榜单日掉27.2分
文心一言4.5今日Smoke评测主榜暴跌27.2分，核心原因是代码执行维度从95直接腰斩至50，材料约束仅小降5.5分。单日10题抽签带来的波动是否掩盖了真实能力退化，值得持续追踪。
DeepSeek V4 Pro 诚信评级 Fail 转 Pass，主榜单日暴涨 23 分
DeepSeek V4 Pro 在今日 Smoke 评测中诚信评级从 Fail 直接转为 Pass，主榜从 74.00 跃升至 97.08，材料约束单项上涨 23.5 分。单日 10 题快测下，这种幅度变化究竟是抽签运气还是真实能力回暖，需
WDCD 守约排行
#1
Claude Opus 4.7
65
#2
Claude Sonnet 4.6
62.5
#3
豆包 Pro
60
#4
Gemini 2.5 Pro
57.5
#5
Qwen3 Max
57.5
#6
GPT-o3
55
#7
文心一言 4.5
52.5
查看完整守约排行 →
Research Lab
3大模型翻译对决：第22周质量评测，gpt-o3 以 8.3 分领跑
本周共翻译 237 篇文章，覆盖 3 个AI模型。经抽样盲评，gpt-o3 综合得分最高（8.3/10）。报告详细对比各模型在准确性、流畅性、术语一致性方面的表现差异。
WDCD Run #125: Average Instruction Decay Hits 63.6%, Claude Opus 4.7 Leads with Only 30% Drop
WDCD Run #125 (2026-05-20) tested 11 large language models on multi-turn commitment integrity, with
3大模型翻译对决：第21周质量评测，gpt-o3 以 8.7 分领跑
本周共翻译 242 篇文章，覆盖 3 个AI模型。经抽样盲评，gpt-o3 综合得分最高（8.7/10）。报告详细对比各模型在准确性、流畅性、术语一致性方面的表现差异。