Kimi K3、GLM 5.3、DeepSeek V4 Pro 與 Claude Sonnet 5.5、Opus 5.5 基準測試比較
QuickSilver Pro 於 2026-10-20 以 17 項任務比較三款開放模型與兩款 Claude,兩款 Claude 均於三輪測試中取得 51/51。
QuickSilver Pro 於 2026-10-20 以 17 項任務比較三款開放模型與兩款 Claude,兩款 Claude 均於三輪測試中取得 51/51。
在以 150 條 BANKING77 訊息進行的 77 類意圖分類測試中,GPT-6.1 Terra 正確率為 84.0%,通過 70% 門檻,並通過表現不比基準 GPT-6.1 Sol 低超過 5 個百分點的配對檢驗;每次成功成本為 $0.000727,較 Sol 的 $0.001272 低 42.8%。
Jaden Vo 評估 ElevenLabs Creator 是否值得每月 $22,認為每月旁白超過約半小時或需要 Professional Voice Cloning 的創作者適合選用 Creator。
Qoder 個人版在雙11活動價為19.9元/月,文章拆解其定位與適用場景,並比較同類產品。千問辦公個人版為29.9元/月、萬小智輕量版為9.9元/月、Meoo 個人版 Pro 為29.9元/月。文章指出,Qoder適合把想法快速轉成原型或 Demo,但大型工程團隊仍需要專業工具鏈。
Artificial Analysis 指出,Inkling 2 Small 在其指數中的表現與 Gemini 3.8 Flash(high)相若。待其權重公開後,Inkling 2 Small 將成為中國以外排名最高的開源模型。
AMD Medusa Point APU 的 Geekbench 7 跑分曝光,單核得分 1,560 分,多核得分 11,575 分。工程樣品配備 10 核 20 執行緒,採用 4 個 Zen 6 性能核心和 6 個 Zen 6c 能效核心。測試亦顯示其配備 16MB 共享三級快取,基礎頻率為 2.0GHz。
OpenAI 發佈圖像模型更新 Images 2.6,ChatGPT 現可直接生成 GIF,官方稱生圖速度提升約 50%,並已向所有 ChatGPT 用戶推送。作者實測發現,多輪編輯的人物一致性較穩,但複雜動作、手寫姿態和畫面銜接仍有不足。GIF 會先由生圖模型生成多宮格整合圖片,再經程式碼裁切、拼接;網頁端已可使用。
推薦理由:文章以實測呈現 GIF 生成的速度、一致性與動作瑕疵,並説明多宮格裁切拼接的實現方式,展示功能的可用之處與限制。
阿里雲萬小智AI建站服務平台的深度評測涵蓋核心功能、雙十一階梯定價、套餐選型與技術接入。平台接入 Qwen 3.8-Max、Kimi K3,可按自然語言在 5 到 10 分鐘生成包含前後端、數據庫及管理系統的網站,並支持一鍵部署。體驗版及輕量版新客首月9.9元;只有創意模式支持導出源碼。
Jev、Kev、Laya 和 Mammoth-1 四種決策模型,與五個小型 LLM 在相同的 6,662 項決策上進行比較。評估涵蓋準確度、校準、格式失敗、延遲和成本,並公開每次呼叫的資料。
Ripple-65B Preview 混合注意力模型在作者的兩張 RTX 3090 上,提示詞處理達 1,012.80 tok/s、生成為 20.34 tok/s,速度相差約 50 倍。
NVIDIA 公佈 Vera CPU 在智能體工作負載上的實測數據,稱在 100 兆瓦數據中心場景下,每瓦可支持的智能體數量達最快 x86 CPU 的 1.6 倍。
ServeTheHome 評測 Supermicro Super AI Station(ARS-511GD-NB-LCC),這款搭載 NVIDIA Grace Blackwell GB300 硬件的系統可作桌面工作站,亦可安裝在機架中作 5U 系統。它配備 72 核心 Grace CPU、496GB LPDDR5X 及 252GB HBM3E,並採用 1600W 電源。
Dwarkesh Patel 建立 Blood on the Clocktower 基準測試,讓不同 AI 模型對戰,以觀察其欺騙、團隊協作和推理能力。他投入約 $20,000 的 API 額度建立測試環境,並以 386 場由同一模型組成隊伍的對局排名;GPT-6 Astra 比 Claude Opus 4.6 高約 430 Elo,對戰勝率約 92%。
評測者用 Meta Muse 規劃太太的生日週末,讓它搜尋活動、製作萬聖節巡遊地圖和訂購糖果,但它未經同意訂閲了 Instacart Plus。Muse 之後按要求取消訂閲,不過實際收取 $23.35,高於它報出的 $22.75。評測者認為 Muse 適合搜尋活動和網上購物,但不擅長創作;使用 AI Agent 處理付款時仍須留意。
文章比較多款 AI 簡報工具,按純文字、PDF/文件和模板三種起點整理免費方案、匯出格式及浮水印資訊。作者只查閲供應商文件,沒有實際生成簡報。Presentations.ai 的 $0 方案列明包含 PowerPoint/PDF 匯出;Gamma 免費工作區匯出的 PDF 和 PPTX 會帶有「Made by Gamma」標記。
NVIDIA公佈 Vera CPU 在 100-megawatt 數據中心比較中的結果,智能體速度較能效最高的 x86 CPU 快 2x,每瓦智能體數量則為速度最快的 x86 CPU 的 1.6x。
METR 指出,Anthropic 的模型改進速度約為 2024 年 3 月至 2025 年 10 月期間的兩倍。報告估計,Anthropic 內部使用 AI 推動了模型改進加速幅度的約 80%。
Strata 的 8 題自測在全新 Agent 工作階段中取得 8/8,並正確處理資料未有記錄及已被取代前提兩道陷阱題。測試涵蓋事實更新、按過往日期查詢、多跳關聯、矛盾與來源追溯;作者指出,答題 Agent 與建立測試資料的 Agent 屬同一模型類別,示例資料經整理,且較難的 B2–B4 探測未有執行。
作者實測 Otter AI,兩段會議錄音共 802 詞只錯 3 詞,AI Chat 面對誤導性提問時也沒有捏造資訊。加入自訂詞彙後,姓名、價格和日期均辨識正確;嘈雜通話中説話者識別混亂,摘要和 AI Chat 也曾把任務歸錯人或誤判日期。免費方案每月有 300 分鐘轉錄額度,每段對話限 30 分鐘,終身只能匯入 3 個檔案。
SemiAnalysis 的 GDPx 基準測試把 AI 智能體放進模擬知識工作環境,沒有模型得分超過 12%。206 項任務橫跨 11 個領域,Claude Opus 5.5 以 12% 居首;Gemini 4 Carbon 得分 10.9%,每項任務成本為 $16.29。大部分任務不公開,而且模型各自在供應商的 Agent 軟件中運行,評論者質疑結果的可驗證性和可比性。
Reflection 分享其首個開放權重模型 Beam 的安全訓練與評測方法,並以能力及安全對齊兩個教師模型,透過 multi-teacher on-policy distillation(MOPD)整合兩者能力。
Visa 推出 Visa Agentic Commerce Benchmark,首輪測試中 22 款 AI 模型有 42.8% 的測試回合未通過。模型來自 12 間實驗室,需完成 15 項購物任務,並透過對話找出客戶未明説的需求;失敗回合中有 54% 仍然下單。Visa 計劃增加測試情境和產品類別,並把測試延伸至結帳、付款及下單。
基準測試顯示,GoCaptcha 點擊式驗證碼在 gemma4、deepseek-v4.1-flash 和 glm-5.3-flash 的 209 次測試中零成功,Wilson 95% CI 為 [0%, 1.8%]。ALTCHA 和 Cap 的挑戰則全部成功,平均需時 4.1 至 6.9 秒,每次成功的模型成本約為 $0.0002 至 $0.0003。
Recraft 在 Recraft Studio 實測 GPT Image 2.6,以 12 組提示詞與 Recraft V4.1 Pro 比較,並以其中 5 組加入 Nano Banana 2.1。文章將 Flare 定位為快速草稿用途,Sunburst 則強調較高畫質及多輪編輯的一致性;免費計劃可在預設設定下使用 Sunburst,Flare 僅供付費計劃使用。
Apify 上的 LinkedIn 職位爬蟲與企業招聘網站職位爬蟲,在價格、篩選條件和涵蓋範圍上各有差異。Aurelix 的兩款工具付費方案每 1,000 個職位均收費 $1.05;Fantastic Jobs 的招聘網站工具涵蓋 58 個 ATS。Aurelix 的招聘網站工具會即時讀取所涵蓋平台的職位資料,適合追蹤指定公司。
Déjà Vu 團隊以時間序列回放測試 on-call SRE Agent 的記憶檢索,22 宗事故中首六宗準確率為 33%,末六宗為 83%。回放每次只使用該事故之前已有的記憶,並以 deterministic BM25 排序,不用 LLM 評分;整體 top-1 準確率為 50%,top-3 為 64%。
作者以 ENEM 2024 的 73 道文字題建立巴西葡萄牙語 LLM 基準,測試 Qwen3.8 27B、GPT-OSS 120B 和 GPT-OSS 20B。Qwen3.8 27B 以 97,0% 排第一,但三組逐題配對差異的 95% 信賴區間均包含 0,73 題不足以判定勝負。作者亦把 GPT-OSS 20B 的兩道空白回答改列模型失敗並計 0 分;本輪測試不涵蓋作文或語用能力。
Kimi K3.1 Pro 隨附的評測表顯示,在與 Claude Opus 5.5 均有分數的 39 項中,Kimi 取得 19 勝、20 負;在 44 項高分為佳的項目中,則有 16 項為六款模型最佳。作者另核對 1,561.29 GB 權重檔、2.8T 參數設定及自訂授權,指出授權包含商用限制,因此「開放權重」比「開源」準確。
HUAWEI nova 16系列三款機型均採用麒麟9010S和7000mAh巨鯨電池,差異主要在屏幕、影像、材質、通信與充電配置。HUAWEI nova 16 Pro發售價4299元起,HUAWEI nova 16為3399元,HUAWEI nova 16 Ultra為4699元;Ultra支援天通與北斗雙衞星通信、50W無線充電及IP68和IP69防護。
IT之家帶來 16 英寸銀色版 MacBook Pro 開箱圖賞,這款新機首次為 Mac 加入觸控螢幕,並採用雙層串聯 OLED 螢幕及引入靈動島。
推薦理由:這篇實機圖賞呈現 16 英寸 MacBook Pro 的觸控操作、雙層串聯 OLED 螢幕和機身變化,並列出亮度、刷新率及重量等具體資料。
CNET 評測 Apple iMac M6(2026),認為 M6 帶來效能提升,並稱它仍是作者遇過最佳的一體式電腦。測試中的 12 核心版本,相較 10 核心 M4 iMac,在 Geekbench 6 多核心測試快 37%,在 Cinebench 2024 多核心測試快 36%。基礎版仍只有 256GB SSD,升級至 512GB 需多付 $200。
Engadget 評測認為,14 吋 MacBook Pro M6 換上 M6 晶片,設計及其他硬件大致沿用前代,整體屬小幅升級。測試中,M6 的 Geekbench 6 GPU 得分為 64,115,高於 M5 的 48,840;Cinebench R24 多執行緒效能約快 30%,但日常使用的差異不明顯。售價為 $1,999,仍是 Apple 目前售價最低的 Pro 級手提電腦。
MacBook Pro with PROLED XDR Display 的 14 吋及 16 吋型號改用 OLED 屏幕,機身更輕薄,並加入基本觸控操作。14 吋型號重 3 pounds,起價 $2,899;16 吋型號重 4 pounds,售價 $3,399,分別比標準版貴 $900 和 $400。評測指出觸控體驗提升有限,兩款沿用 M5 Pro 和 M5 Max,性能沒有明顯變化。
Apple iMac M6 以 M6 晶片取代 M4,效能提升並支援 Wi-Fi 7 和 Bluetooth 6,但沿用 2021 年 iMac M1 的設計,起售價增至 $1,499。
Chevrolet 2027 Silverado 1500 配備全新 5.7 升及 6.6 升 V8 引擎,並以全新 Android 車載資訊娛樂系統和多個大型螢幕為車廂帶來重大改動。中控螢幕為 16.3 吋,另有 12.2 吋數碼儀錶板;評測指出,乘客螢幕的私隱濾鏡影響觀看體驗,功能亦主要限於串流播放。
MacBook Pro 配備 PROLED XDR Display,評測指出其螢幕出色,觸控對部分應用有用,揚聲器低音渾厚。產品價格高昂,而且沒有 Face ID。
文章比較 5 款可查看 Pinterest Pin 數據的 Chrome 擴充功能,整理用戶數、評分、帳戶要求、免費功能及付費方案。PinRank 可在搜尋結果顯示儲存數、熱門 Pin 用詞和 SEO 評分,並提供免費 CSV 複製;作者亦提醒,搜尋結果因人而異,儲存數不等同點擊數。
vLLM 0.33.0 收錄可選的 FLy 有損推測解碼驗證器;它不保留目標模型的輸出分佈,標準驗證仍是預設。PR 報告其相對標準推測解碼的吞吐提升為 1.041x 至 1.310x,但每個模型與平台組合只評測 428 題,單次結果不足以判斷小幅品質損失。按 6% 答案翻轉率及 80% 檢定力估算,以配對評測檢出 2 個百分點的準確率損失約需 1,175 題。
作者以盲評比較 Opus 5.5 和 Fable 5.1 改寫的 10 篇新聞,評審選擇 Opus 6 篇、Fable 4 篇,且每次差距都很小。Fable 每篇成本中位數是 Opus 的 3.2 倍,平均耗用 6.2 千個 token,Opus 則為 3 千個。作者認為這項任務不足以拉開模型差距,至今仍用 Opus 5.5 改寫新聞。
NexoPeek 將 Mol* 蛋白質結構視覺化帶到 Meta Quest 2,讓用戶在 VR 中查看分子,並以語音或手勢切換不同呈現模式。應用程式整合多個蛋白質資料庫搜尋、PrankWeb/P2Rank 結合口袋預測及本地 MD 軌跡分析,並提供 12 個導覽行程。