大模型更新太快！我做了一个持续更新AI动态的小程序

作者: admin 分类: AI技术 1 次浏览发布时间: 2026-10-09 00:00

这是学习笔记的第 2534篇文章

大模型发展风风火火，有时候让我有些迷茫，因为感觉隔几天就会发布一款大模型，基本上都是按月做大版本迭代的了，动不动就颠覆这个行业，那个岗位，颠覆了快1年多了，让人甚至有些麻木了。加上中美大模型的差距在明显缩小，使用模型的人也是收益者，毕竟模型强了，使用成本低了，至少对个人来说手里有了家伙事儿，能干很多事情了，原来很多做不了的事情现在一个人都能干了。至于对于行业的颠覆，也不是个体行为，至少得跟上时代的步伐。

为了缓解我的疑问和这种模型焦虑，我做了下数据分析，也把分析结果做成了可持续更新迭代的小程序，放到了开源洞察助手里面。

一、历年的大模型发布情况

这是按照年度盘点的大模型的发布数量，一个大模型版本产品算一个数，可见自2025年开始就已经是井喷状态了。

这是我盘点的大模型按照时间线发布的频率，一个点就是一个大模型版本产品。纵轴是综合评分，也就意味着大模型的综合能力更强。

二、评估大模型能力的指标-AA综合评分

那用什么标准来衡量一款大模型呢，目前行业里面有很多，AA 用于观察整体能力，SWE-bench 用于观察软件开发任务表现。比较时需核对指数版本、模型推理档位，以及是否为来源估算分数。

我个人比较喜欢的还是AA综合评分，因为AI大模型不光是编程还是多任务执行，单一视角的评估有时候也可能失真。

AA 综合评分指第三方测评机构 Artificial Analysis 发布的 Intelligence Index（综合智能指数），汇总多项测试来衡量模型的整体能力。官方介绍与排行榜

当前系统引用 v4.3.2，包含 10 项评测，按四类能力加权：

能力	权重
Agent 任务执行	30%
编程	20%
科学推理	20%
通用能力：知识、长文本等	30%

具体测试集、权重和测试设置可看官方评分方法。该指数主要评测英语文本能力，语音、图像和多语言能力另行评测。

三、看模型能力

之前K3发布的时候，还不是很理解为什么是一个重大的变更，看了这张图算是比较清晰了。

K3直接从不到30分大幅度提升到了45分左右，已经超越了Opus 4.8的水平，另外这是开源模型持平赶超闭源模型的一个里程碑，从后续的闭源版本迭代情况来看，尽管发布迭代了很多，K3还是在这个阵营之内。

目前看Claude版本已经进入了一种很微妙的状态，Opus 5.5一骑绝尘，现在的重心竟然是把sonnet 5.5提升到了和Opus 5.5接近的程度，token消耗能够大大降低，和haiku的差距也迅速缩小，haiku按照指标已经和Opus 4.8接近了，从我的理解来看，claude要么最近开始聚焦一些多模态的能力，要么就得再出更强的模型能力，目前偏多模态的可能性比较大一些。

后续的GLM 5.3也持平到了和K3相似的层级。

值得一提的是，拉胯的google和meta的新模型能力已经赶上来了，还有小米的模型也出现在了靠前的位置。

四、看模型成本

接下来是重头戏，就是看成本，Opus虽然好，但是太贵，我个人比较喜欢Opus 4.8和sonnet 5, 因为大部分的需求，我觉得这两个模型的能力就完全可以交付了，所以分别以这两个模型作为基线看看对应的模型成本情况，看看在保持Opus 4.8能力的基础上，还有哪些模型的成本更低更合适。

模型成本统计维度也比较多，我按照百万token为基线来盘点成本。

以sonnet 5为基线，GPT的Luna-6真是神器，综合成本比deepseek-v4.1还要便宜，但是能力可以，如果有claude账号，haiku5.5也是很不错的选择。