百模大战 4.0
149 个大模型 · 12 维 Benchmark · 覆盖至 2026 年 8 月
点击任意模型查看详细信息
关于这张图谱
这张图谱收录了 149 个主要大语言模型，涵盖 33 家公司/实验室。 12 维评估体系：MMLU-Pro / FrontierBench / Terminal-Bench / DeepSWE / ARC-AGI-3 / MATH-500 / AIME / GPQA / Arena / 中文 / Agent / 多模态。
★ 标记表示里程碑模型。连线表示技术传承关系。圆环标记表示开源模型。
探索建议
🔍 拖动时间滑杆——看大模型版图如何演化
🔍 按 FrontierBench 排序——看 2026 年 Agent 编程新标准
🔍 筛选"推理模型"——2024 年底的推理革命一目了然
🔍 切换"价格战"——DeepSeek V4-Flash vs GPT-5.5 的 ~71x 价格差距
🔍 切换"评测健康"——看 Benchmark 崩塌与重生的全景
🔍 切换"传承树"——看 OpenAI 从 GPT-3 到 GPT-5.6 的演化路径
评测崩塌与重生
SWE-bench Verified 于 2026-02 因天花板效应废弃；SWE-bench Pro 于 2026-07-08 因 OpenAI 审计发现 ~30% 任务缺陷而废弃。取而代之 的是 FrontierBench v0.1（Agent 编程）、 Terminal-Bench 2.1（深层 Agent 编码）和 DeepSWE v1.1（软件工程深度评测）。 评测生态正从"单维刷榜"走向"多维互补"。
旗舰从能力标签变价格标签
Claude Opus 5 以 $25/M 的定价超越前代 Opus 4.7 的 $50/M， 性能更强但价格腰斩。Grok 4.5 以 $1.2/M 达到旗舰 91% 性能。 DeepSeek V4-Flash 0731 仅 $0.09/M，比 GPT-5.5 便宜 ~111 倍， 价格断崖是大模型民主化的最有力证据。
开源 vs 闭源：新基准上的差距
Kimi K3 2.8T（全球最大开源模型，896 专家 MoE）在 FrontierBench 达到 35 分。 MiniMax M3 以 BenchAlign 68.76 成为最佳开源权重模型。 开源模型在新一代基准上快速追近，与闭源差距已缩小至个位数分数。 ARC-AGI-3 是唯一不饱和的通用智能基准——但 Claude Mythos 5 已突破 35%。
数据截至 2026 年 8 月 · Benchmark 分数为综合估算值 · 参数量为公开信息或合理推测
12 维评估体系：MMLU-Pro · FrontierBench · Terminal-Bench · DeepSWE · ARC-AGI-3 · MATH-500 · AIME 2025 · GPQA Diamond · Arena Elo · 中文 · Agent · 多模态