首页

硬核横评

主流 AI 工具的真实场景对比测试,含独家数据与对比表格。

0.1美元俱乐部开战:小模型价格战四款横评

小模型价格战横评(2026-10-08 价格快照口径,五列四行):Claude Haiku 5.5、GPT-6 Luna、Sonnet 5.5、Qwen3.8-27B(开源自部署档)。价格行:Haiku 5.5 每百万 0.1/0.5 美元(<100K 提示档)、Luna 0.1/0.5 美元(≤272K)、Sonnet 5.5 单价 2/10 美元但缓存读减半至 0.1、Qwen3.8-27B 权重免费(Apache-2.0)自备 GPU。核心发现:短提示档 Haiku 5.5 与 Luna 同价打平,但 100K 以上 Haiku 5.5 输入价 0.5 美元 vs Luna 0.2 美元——「同价」只在短提示档成立,长文档批量任务账单会反转。基准各引各的官方数并标注(跨基准禁互比):Haiku 5.5 Terminal-Bench 4.0 39.2%、OSWorld 72.4%;Luna 未随文给新基准;Sonnet 5.5 TB4 70.6%;Qwen3.8-27B 无横向同表。可调 effort 档位对比(Haiku 5.5 首次下放 Haiku 级;Luna none→max)、上下文(Haiku/Luna 1M、Qwen 262K 可扩 1M)。结论按需求给:高吞吐子代理、批量分类、主力编码、私有化部署各归各位;本站无压测不仲裁。内链四篇同题专文做深读。

AI连干17小时vs16天:谁能真正替你加班

连续自主干活横评(2026-10-07 口径,与站内 10-05「单次输出容量」横评分轴不重测):看 AI 一次任务能连干多久、干成什么样。四行对比:蚂蚁 Ling-3.1-flash 约 17 小时从零写 Lua→x86-64 编译器(182 项测试过 178,官方自报)+ 约 20 小时 C 图像库移植 Rust 加速 8.015 倍(30 项检查全过);阿里 Qwen3.8-Max 16 天自主工程 oh-my-cli(265 commits/127 PRs/151 issues,GitHub trace 公开可查)+ 约 125 小时复现论文并反超(AIME24 49.58%→52.29%,7600 行代码、33 轮训练);谷歌 Argon 承接 80 万+行 Zircon 内核迁移、libgav1 快 2.7 倍(DeepSWE v1.1 77.9%,普通用户暂不可用);参照行 DeepSeek-V4-Flash-Vision-Exp 同卷 59.3%(MIT 可本地跑)。表格五列:模型/连续案例/可复核性/门槛与价格/口径。架构谱系专节回应「百灵和通义千问哪个好」:Ling 7 层 KDA+1 层 Gated MLA vs Qwen 3 层 Gated DeltaNet+1 层 Gated Attention,均 512 专家系。核真红线如实写:Qwen3.8-Max 开源权重是定制 qwen3.8-max license(收入分成、阈值未定稿)非 Apache 2.0(27B 小弟才是),开源版 text-only/强制 thinking ≠ API 版(视觉/1M/内置工具)——「半开源」争议两头呈现;4.89TB 权重需 24 GPU(BF16)/16(FP8)。全部数字官方自报,DeepSWE v1.1 只与 v1.1 同卷比。

一口气输出100万token:三款模型谁能接住长任务

四款编程/通用模型横评(2026-10-05 口径,与站内 9 月底价格横评分工不重测):以「单次输出上限」为轴——Gemini 4 Argon 把输出从 6.4 万 token 拉到 100 万(官方称行业第一),长任务战场换了维度。四个位置:受控新旗舰 Argon(9/30 发布,官方 18 项基准 13 项第一、DeepSWE v1.1 77.9% SOTA,但受控发布普通用户未开放,Artificial Analysis 独立口径略落后,介绍价 $2/$10 期后 $4/$20)、现役效率标杆 Sonnet 5.5(9/28,TB 4.0 70.6%,$2/$10,三云同步)、缓存性价比 Sol($2/$0.10/$10,缓存比标准输入便宜 95%)、开源对照 GLM-5.3(ModelScope 约 750GB 权重可自部署,国内 API $1.40/$4.40,开源编程 SOTA/CyberGym 84.5%)。红线执行:GLM 的 Terminal Bench 3.0 与 Sonnet 的 Terminal-Bench 4.0 不同版本严禁互比;Argon 官方与独立口径两头都写。无压测不做仲裁,按需求五路给结论:尝鲜等 Argon 开放、均衡性价比选 Sonnet 5.5、缓存跑 agent 选 Sol、多云部署 Sonnet、开源自部署 GLM-5.3。

30秒俱乐部开战:可灵4.0、Seedance 2.5谁值得等

四款视频模型横评(2026-10-03 口径,与本站 8 月五款闭源云端横评、Seedance 2.5 vs MiniMax H3 对垒篇分工互补不重测):以「单段 30 秒原生直出已成头部标配」为切入,按云端旗舰/现役标杆/云端性价比/开源自部署四象限选可灵 4.0(10 月上线,10-bit HDR、续拍 2 分钟、15 项参考,规格拉满未验证)、Seedance 2.5(已上线,30 秒直出 + 50 项参考 + 1 秒内局部编辑,徐工/小鹏/微分智飞生产落地)、Wan3.0(8 月 24 日上线,API 每秒 0.3 元起、五种办公文档直传变视频,无 Agent 能力需自做编排)、LTX-2.5(唯一开放权重,66GiB + 8 步蒸馏 + ltx-trainer,自定义社区许可收入门槛 1000 万美元)。无压测数据不做「谁第一」仲裁,按需求给结论:现成旗舰选 Seedance、规格派等可灵、性价比与批量选 Wan3.0、数据私有选 LTX-2.5。Sora 因信源矛盾不入场,Veo 未做一手核真不写。

五款常驻 Agent 横评:谁替你守夜

五款常驻/个人 Agent 横评(2026 年 10 月口径),按落地形态分五方:OpenAI Dots(官方托管 always-on,Pro 与 Business Premium 可用)、Manus Cue(独立应用 + 独立邮箱/电话/钱包/电脑,邀请制免费早期、官方邀请码 MEETCUE)、feder-cr/dots(开源自托管、MIT、模型走 OpenRouter)、OpenClaw 2.0(开源自托管 Gateway、本地优先、多入口一状态)、Devin(云端自主软件工程师,自有 VM、并行云端 agent、Security Swarm;官网快照无公开定价故不列价)。五维对比:住在哪里、替你做什么、身份与凭证怎么管、钱怎么算、开放性;成本三口径(订阅额度、token 计费、邀请免费)不可直接横比。与站内计算机操作 agent 横评、编码 harness 横评分工互补,不重测编码基准。

半价与两折:旗舰平替编程模型洗牌,谁最值?

旗舰平替性价比横评(2026 年 10 月时点):Claude Sonnet 5.5(官方口径经机器之心转述:速度提升 30% 以上、Terminal-Bench 4.0 从 10.3% 升至 70.6%、价格为 Opus 5.5 一半) vs GPT-6.1 Sol(官方口径经量子位转述:智能接近 GPT-6 Astra、API 价格仅 1/5、Ultrafast 付费提速档) vs Claude Opus 5.5(参照系,$4/$20 每百万 tokens) vs DeepSeek V4.1(开源参照系,权重开放)。口径纪律:各家 harness 不同不可横比,本文只做相对自家旗舰的相对值比较,不自行跑分;Sonnet 5.5 具体美元定价官方未公布,不自行换算。四条场景结论:预算敏感日常编程、要旗舰上限的复杂任务、要私有部署的合规场景各有所归。与站内 2026-08 综合横评、旗舰推理横评分工互补。

实时字幕不回改:五款开源流式 ASR 谁能真顶上

五款开源流式/本地语音识别方案横评:R2T2(680 星,Apache-2.0,真流式 append-only,200-600ms)、faster-whisper(25,617 星,MIT,社区事实标准但 Whisper 本体靠切片伪流式)、FunASR(20,536 星,MIT,中文生态最深)、moonshine(11,154 星,自定义许可须审条款,端侧轻量)、Kyutai delayed-streams-modeling(3,032 星,Apache-2.0,延迟流真流式路线)。star 均为 2026-09-29 GitHub API 快照。横评主轴是真流式与伪流式之别(已吐文本是否回改)、延迟量级、部署门槛、中英支持与商用风险;准确率数字不可横比(各家 harness 不同),R2T2 表内数字只标官方评测口径引用。开篇声明与站内同传横评、云语音服务的分工边界。

小米 fork 背书之后,开源 Agentic RL 框架怎么选

五方开源 Agentic RL 后训练框架横评,不比跑分(各家 harness 自报口径不可横比)、只比定位/生态/工程形态:verl(上游 23,650 星 HybridFlow,小米 fork 465 星提供五套环境实战背书)、TRL(19,398 星,HF 官方,生态最广的 RLHF 入口)、OpenRLHF(10,045 星,Ray 基座,PPO/DAPO/REINFORCE++)、AReaL(5,796 星,蚂蚁系异步 Agent RL)、NeMo-RL(2,033 星,NVIDIA 企业栈)。四条场景化结论:LoRA 级试水选 TRL;大规模可验证奖励 RL 把 verl 与 OpenRLHF 进 PoC;长程异步 Agent 训练看 AReaL;NVIDIA 全家桶选 NeMo-RL。全部 Apache-2.0(以各仓 LICENSE 原文为准);star 数为 2026-09-27 快照,性能自报数字一律不采信。与站内模型横评、通用微调 SOP 分工互补。

旗舰价格账横评:Sol 两块、Luna 一毛、Opus 四块

四家旗舰只算钱不比智商:GPT-6 Sol($2/$10,缓存读取 90% 折扣)、GPT-6 Luna($0.10/$0.50)、Claude Opus 5.5($4/$20,恰为 Sol 两倍、缓存 $0.20 打平 Sol)、Grok 4.7($2/$6,缓存折扣未公布)、DeepSeek V4.1 Flash(峰谷计时定价)。按 80% 缓存命中率算实际账单:Opus 纸面 2 倍、实际约 1.9 倍且差距全在输出侧;Grok 输出价最低但缓存省钱无法入账。跑分对价格:DeepSWE 上 Grok 71.0% 每分成本最低,Terminal-Bench 4.0 却只有 38.0%——一个模型两个故事。三条红线:货币不可直接横比、未公布项不编、各家 harness 不可横比下结论。

六款AI设计工具横评:可编辑图层才是分水岭

六款设计工具只比设计工作流里能不能继续改:Ming-Image-0.1-Design+Layer、Midjourney、即梦 AI、Canva、Qwen-Image 2.1、Nano Banana 2。五个维度都围绕可编辑性、图层、RGBA、许可与自部署,不比纯画质。结论:可编辑图层才是分水岭——只有 Ming-Image 与 Qwen-Image 2.1 给原生 RGBA,但只有 Ming-Image 配套自动分层且为 MIT 可商用、可自部署。成本三种形态(本地算力、订阅、按图计费)不可直接横比,故不排最便宜。与批次 22 成本横评、批次 33 视频工作台横评分工互补,不重复。速度或基准数字均标厂商或评测口径、未独立复测。