跳到主要内容

接近人类基线，GPT-6多模态理解能力显著提升｜xbench月报

8月以来，前沿模型团队的迭代节奏进一步加快。截至9月8日，共有7家公司发布新的模型：OpenAI GPT-6 Astra、Anthropic Claude Fable 5.1、Google Gemini 3.8 Flash、阿里Qwen3.8-Max、DeepSeek V4-Flash与V4-Pro、智谱GLM-5.3，以及腾讯Hy4-preview。

xbench对这一批新模型从科学推理（ScienceQA）、多模态理解（BabyVision）、真实复杂长程任务（OneMillion-Bench）三个维度进行评测，并更新了leaderboard。

结合本期重点模型的公开发布信息与榜单数据，本轮迭代各个榜单的总结：

  • GPT-6 Astra的多模态推理能力断层式领先，BabyVision首次有模型近Human baseline：GPT-6 Astra以88.92分登顶第一，距Human baseline（94.10）仅差 5.18分，领先第二名Gemini 3.7 Flash（73.45）15.47分，是榜单最大的第一名领先幅度。OpenAI视觉条线四代累计提升54.52分，多模态理解从差异化卖点正在变成模型核心竞争维度。
  • ScienceQA头部密度持续上升，模型挤入70–80分区间：榜首仍是Claude Opus 4.8（76.4/84.0），但本月新增模型高度密集地落在69–75分区间：Claude Fable 5.1、GPT-6 Astra、Qwen3.8-max、Gemini 3.8 Flash、DeepSeek-V4-Flash 等均在此区间。分数上限未有明显突破，竞争转向效率与性价比。
  • OneMillion-Bench榜单中Claude系列继续保持榜首，腾讯Hy4-preview跃升至第二：Claude Fable 5.1以PR42.1%登顶榜首，较上一代Fable 5（33.6%）提升 8.5个百分点，腾讯Hy4-preview以PR 35.3%从中下游位置直接跳到第二名。

BabyVision Leaderboard更新

BabyVision主要评估模型的多模态理解能力

本期BabyVision新增7款模型上榜（GPT-6 Astra、Claude Fable 5.1、Gemini 3.8 Flash、Qwen3.8-Max、DeepSeek-V4-Flash-Vision-Exp、GLM-5.3-flash、Grok-4.6），多家公司第一次发布多模态版本。GPT-6 Astra 以 88.92分断层领先，是第一个距Human baseline 5分以内的模型。第一梯队的分水线从上期的60分档推进到70-80分档。

本期新上榜模型分数更新概览如下：

  • GPT-6 Astra：88.92%，排名第1，距Human baseline（94.10）仅差5.18 分。较上一代GPT-5.6 Sol（66.75）跳涨+22.17，四代累计涨幅+54.52分，是所有厂商中多模态理解能力提升最稳定、涨幅最大的。
  • Gemini 3.8 Flash：71.60%，去重后不占数字排名。较上一代Gemini 3.7 Flash（73.45）小幅回落1.85，Google Flash档位在多模态上延续持平策略，优势在速度与成本。
  • Qwen3.8-Max：63.40%，排名第4。较上一代Qwen3.8-max-preview（64.95）略降1.55分，但相比Qwen3.7-plus（46.91）大幅提升+16.49。Qwen 首次把多模态并进万亿参数主力旗舰模型。
  • Claude Fable 5.1：46.39%，排名第6。较上一代Fable 5（36.60）跳升+9.79，是Claude视觉线五代中单代最大涨幅，但仍在中游，距榜首差42.53 分。
  • GLM-5.3-flash：36.60%，排名第7。智谱首款多模态模型，价格极低（$0.075/$0.25）。
  • DeepSeek-V4-Flash-Vision-Exp：30.15%，排名第8。DeepSeek首款多模态模型，价格同样极低（$0.22/$0.66）。
  • Grok-4.6：25.26%，去重后不占排名。较Grok-4.5（25.52）基本持平，xAI多模态仍是明显短板。

GPT-6 Astra将OpenAI连续四代的多模态理解趋势进一步推高，并扩大了其在 BabyVision上的领先优势。从分数涨幅可以看出，OpenAI在多模态理解的模型训练上，有非常大的突破。

  • GPT-6 Astra在BabyVision上以88.92分登顶第一，接近Human baseline：GPT-6 Astra距Human baseline（94.10）仅差5.18分，是首个接近 Human baseline的模型。此前从未有模型在BabyVision上突破80分，GPT-6 Astra直接跳过80分档进入88分档。
  • GPT-6 Astra在BabyVision上的大幅领先领先第二名Gemini 3.7 Flash（73.45）15.47分：此前的第一梯队70+分数，由Gemini系列（Gemini 3.7 Flash 73.45、Gemini 3.8 Flash 71.6）占据。Doubao-Seed-2.1-pro（66.89）、GPT-5.6 Sol（66.75）位于第2梯队60+分数。GPT-6 Astra的 88.92一举超过Gemini，独占80+分数区间。与第二名的差距（15.47分）大于第二名Gemini 3.7 Flash与第六名Claude Fable 5.1之间的差距（73.45- 46.39=27.06）。
  • OpenAI多模态理解能力连续4代持续提升，累计提升54.52分：GPT-5.2（34.40）→GPT-5.5（54.64，+20.24）→GPT-5.6 Sol（66.75，+12.11）→GPT-6 Astra（88.92，+22.17）。从GPT-5.2（34.40）到GPT-6 Astra（88.92），分数增长×2.58。不到一年时间内从BabyVision中游，跃居第一。
  • GPT-6 Astra单代提升+22.17分，超过了同期所有其他厂商的单代最大涨幅：作为对比，Anthropic视觉线单代最大涨幅为Opus 4.8→Fable 5的 +13.15分，ByteDance从Doubao-Seed-2.0-pro（62.60）到Seed-2.1-pro（66.89）仅提升+4.29分。

多模态能力增速明显变快，Fable两代成为主要增量来源。

  • BabyVision五代累计提升3.27倍，但增量高度集中在Fable阶段：Opus 4.8版本以前多模态理解能力是缓慢提升，从OpusOpus 4.8→Fable 5（36.60，+13.15）→Fable 5.1（46.39，+9.79）是连续两代加速。从Opus 4.5到Fable 5.1，BabyVision得分从14.20升至46.39（×3.27），视觉是Anthropic近三代提升幅度最大的单项能力。
  • Fable 5.1的新增能力仍明显偏向视觉：BabyVision+9.79，远高于ScienceQA的+1.2，延续了“视觉增量大于推理增量”的趋势，提升重点也更集中在文档、图表、表格等复杂视觉信息处理。
  • 多模态场景的性价比较差：Fable 5.1每分BabyVision对应$1.08 output cost（$50/46.39），Gemini 3.7 Flash仅$0.051/分（$3.75/73.45），Doubao-Seed-2.1-pro为$0.066/分（$4.42/66.89）。Fable 5.1的性价比约为Gemini 3.7 Flash的1/21、Doubao的1/16。多模态能力在追，但价格结构没变，性价比差距仍是一个数量级。

Qwen3.8-max延续统一多模态旗舰路线，视觉能力较早期独立VL系列实现阶梯式跃升。

  • Qwen系列，在BabyVision上从19.20提升至最高64.95，主要增量集中在 Qwen3.5与Qwen3.8两个节点：早期Qwen3-VL-Plus/VL-235B分别为19.20 /22.20；随后Qwen3.5-397B较VL-235B跃升+21.10，Qwen3.7-plus再小幅提升+3.61，至Qwen3.8-max-preview又出现第二次明显跃升（+18.04）。
  • Qwen3.8-max-preview创下当前最高分，但正式版较preview小幅回落1.55分：Qwen3.8-max-preview（64.95）→Qwen3.8-max（63.40），说明正式版视觉能力整体与preview接近，相比榜首GPT-6 Astra（88.92）仍有25.52分差距。
  • 重点变化是多模态能力从独立VL产品线进入通用旗舰主线：早期Qwen3-VL 仍以独立Vision-Language系列存在，从Qwen3.5起，视觉能力不再依赖独立 VL命名，而成为通用模型的原生能力，之后Qwen3.7-plus、Qwen3.8-max 均延续这统一多模态路线。

xbench-ScienceQA Leaderboard更新

ScienceQA主要评估模型的科学知识和推理能力

本期新模型均在ScienceQA榜单上进行更新。榜首仍是Claude Opus 4.8（76.4/BoN 84.0），本月新模型高度密集地落在70–76分区间：Claude Fable 5.1（74.6）、GPT-6 Astra（74.6）、Qwen3.8-max（73.4）、Gemini 3.8 Flash（72.4）、DeepSeek-V4-Flash（71.0）等均在此区间。头部竞争的密度明显上升，但分数上限仍未突破Opus 4.8的76.4分。

本期新上榜模型分数更新概览如下：

  • Claude Fable 5.1：74.6/BoN 84.0，去重后不占排名，与GPT-6 Astra平均分并列。较上一代Fable 5（73.4/83.0）回升+1.2/+1.0，修复了Fable 5的代际回调，BoN追平Opus 4.8的84.0。响应13.41s，500题仅$22.7，是同分段中效率最高的模型。
  • GPT-6 Astra：74.6/BoN 82.0，排名第2。较GPT-5.6 Sol（71.0/78.0）提升+3.6/+4.0，创OpenAI历代新高。Output Tokens 6301.0（Fable 5.1的7.5倍）、响应82.60s、500题$192.6（Fable 5.1的8.5倍），推理价格在榜单中偏高。
  • Qwen3.8-max：73.4/BoN 82.0，排名第3。较上一代Qwen3.7-max（70.8/79.0）提升+2.6/+3.0，BoN冲到82.0（与GPT-6 Astra持平），均分也首次突破73分。
  • Gemini 3.8 Flash：72.4/BoN 79.0，排名第5（去重后）。较上一代Gemini 3.7 Flash（70.2/81.0）均分提升+2.2但BoN回落2.0分。Flash档位继续以低价（$0.75/$3.75）和快速响应（7.31s）为优势和卖点。
  • Deepseek-V4-Flash：71.0/BoN 80.0，排名第7。是DeepSeek五代（V3.2-Think→V4-Flash）中均分最高的，较V4-Pro（69.4/81.0）均分高+1.6但 BoN低1.0。以Thinking+max模式达到71.0，价格远低于旗舰。
  • Grok-4.6：70.4/BoN 77.0，去重后不占排名。较Grok-4.5（72.4/81.0）回落2.0/4.0分，是xAI两代之间少见的分数下降，可能与版本切换有关。
  • Hy4-preview：69.8/BoN 79.0，排名第9。较上一代Hy3（66.6/80.0）均分提升+3.2但BoN略降1.0。腾讯在科学推理上稳步提升。
  • Deepseek-V4-Pro：69.4/BoN 81.0，去重后不占排名。是V4系列的旗舰版本，BoN 81.0为DeepSeek历代最高。
  • GLM-5.3：65.8/BoN 80.0，排名第10。较上一代GLM-5.2（64.6/77.0）提升+1.2/+3.0，其中BoN提升更明显。

GPT-6 Astra在ScienceQA上刷新OpenAI四代最高分，同时推理速度提升。

  • GPT-6 Astra平均分74.6/BoN 82.0，排名第二，与Claude Fable 5.1（74.6/84.0）平均分并列，BoN低2.0分：排名第一的Claude Opus 4.8（76.4/ 84.0）领先GPT-6 Astra 1.8分。GPT-6 Astra是OpenAI历代在ScienceQA上的最高分，较上一代GPT-5.5 Pro（73.0/80.0）提升1.6分/2.0分。
  • GPT-6 Astra与Fable 5.1分数相近，但是推理开销较高：响应时间为82.60 秒，是Claude Opus 4.8（24.27秒）的3.4倍、Claude Fable 5.1（13.41 秒）的6.2倍。平均Output Tokens达6301.0，分别是Fable 5.1（839.3）的 7.5倍和Opus 4.8（1978.0）的3.2倍。
  • GPT系列价格偏高，500题花费$192.6，是榜单中最贵的模型之一：对比Claude Fable 5.1（$22.7）贵8.5倍，对比Claude Opus 4.8（$25.6）贵7.5 倍。高token消耗叠加$50/MTok的output定价，使得GPT-6 Astra在ScienceQA上的使用成本高于同分段竞品。此前价格较高的模型，均为GPT系列。
  • OpenAI近四代模型在ScienceQA上分数较为稳定，有小幅提升：GPT-5.4（70.8）→GPT-5.5 Pro（73.0，+2.2）→GPT-5.6 Sol（71.0，-2.0）→GPT-6 Astra（74.6，+3.6）累计提升+3.8分。BoN分数79.0→80.0→78.0→82.0。GPT-6 Astra的BoN 82.0是OpenAI历代最高，但与Claude Opus 4.8/Fable 5.1的84.0仍差2.0分。
  • 推理速度提升：与此前分数最相近的模型GPT-5.5 Pro相比，响应时间从GPT-5.5 Pro的156.99降至GPT-6 Astra的82.60秒，降幅47%。Output Tokens从 5192.7略微增加至6301.0（+21%）。

Fable 5.1在ScienceQA上较Fable 5提升，同时延续Fable系列的低时延趋势。

  • Fable 5.1平均分74.6/BoN 84.0，位于Opus 4.8（76.4/84.0）之后，Fable 5（73.4/83.0）之前：BoN追平Opus 4.8的84.0，意味着Fable 5.1在五次采样中的最佳表现已经触及Opus 4.8的上限，差距也仅存在于单次作答的稳定性（Average差1.8分）。
  • 响应速度和 token 效率继续提升，远超其他同分数段模型：Fable 5.1响应时间13.41秒，比Fable 5（16.85秒）快20%，比Opus 4.8（24.27秒）快45%。平均Outadapput Tokens 839.3，比Fable 5（1108.2）少24%，比Opus 4.8（1978.0）少58%。动态推理在5.1上进一步压缩了推理链长度，用更少的token达到更高的分数。
  • 能力提升的同时，Fable 5.1延续了同价提效的趋势，速度和token消耗进一步优化:500题花费为$22.7，较Fable 5的$26.8下降15%，较Opus 4.8的$25.6低11%。在同样$10/$50的定价下，更低的token消耗直接转化为更低的实际推理成本，这也是Fable系列单价不变、效率提升路线的核心逻辑。
  • 3道题目触发拒答，均为生命科学方向。与官方给出的网络安全和生命科学方向一致。
  • Fable系列模型在科学推理中能力保持稳定。Opus 4.6（58.8）→Opus 4.7（73.0）→Opus 4.8（76.4）→Fable 5（73.4）→Fable 5.1（74.6），BoN(N=5)在83-84分浮动。近3版模型的Average分数和BoN(N=5)分数基本保持一致。
  • 响应时间持续下降：Opus 4.8（24.27s）→Fable 5（16.85s）→Fable 5.1（13.41s）。这三个版本之间分数基本持平（76.4→73.4→74.6），但响应时间稳步走低，说明模型能用更少的计算达到相近的分数。这与Anthropic的说法一致，官方称Fable 5.1在Low/Medium effort档位下即可达到与Fable 5相当或更好的表现，成本更低。

DeepSeek-V4-Flash延续五代上升趋势，并以低价档位拿下DeepSeek系列最高均分。

  • 五代均分从61.4升至71.0，累计+9.6分：V3.2-Think（61.4）→V3.2-Spec（62.6，+1.2）→V4-preview（64.6，+2.0）→V4-Pro（69.4，+4.8）→V4-Flash（71.0，+1.6）。真正的跃迁发生在V4-Pro一代（+4.8），V4-Flash 在此基础上继续小幅提升。
  • V4-Flash的核心价值在于以Flash档位逼近Pro水平：V4-Flash均分71.0，高于V4-Pro的69.4，但V4-Pro的BoN 81.0略高于V4-Flash的80.0，两者互有胜负。整体看，Flash在接近Pro能力水平的同时提供更偏性价比的产品定位。

$OneMillion-Bench Leaderboard更新

$OneMillion-Bench主要评估模型执行专业复杂任务的能力

本期OneMillion-Bench新增5款模型入榜（Hy4-preview、GLM-5.3、GPT-6 Astra、Deepseek-V4-Pro、Gemini 3.8 Flash），均为Base模式。榜单格局发生显著变化：Claude Fable 5.1以PR 42.1%登顶榜首，腾讯Hy4-preview 以PR 35.3%跃升至第二名，是本期最大的排名变动。

本期新上榜模型分数更新概览如下（均为Base模式）：

  • Hy4-preview：Pass 35.3/Avg 54.4/EV $293,346，排名第2。较上一代 Hy3（Pass 13.0/Avg 38.8）PR跳升+22.3个百分点，是本期所有模型中单代 Pass Rate涨幅最大的。从OneMillion中下游直接跳到第二名，长程任务处理能力实现质变。
  • GLM-5.3：Pass 31.0/Avg 53.9/EV $316,958，排名第6。智谱GLM-5.3入榜OneMillion，Avg 53.9%高于多款旗舰模型（GPT-6 Astra 50.2%、Claude-Opus-4.6 51.4%），说明GLM-5.3在长程任务上有较好的基础能力。
  • GPT-6 Astra：Pass 27.8/Avg 50.2/EV $348,092，去重后不占排名。低于自家上一代GPT-5.6 Sol（Pass 32.2/Avg 53.8），出现代际回调。但EV从 $325,064升至$348,092，说明新增通过的任务集中在高价值区间。
  • Deepseek-V4-Pro：Pass 26.0/Avg 49.4/EV $284,256，排名第7。DeepSeek在长程任务上的表现中规中矩，落后于Kimi K3（35.0）和 Qwen3.8-max-preview（31.9）等国产竞品。
  • Gemini 3.8 Flash：Pass 22.0/Avg 47.3/EV $240,577，去重后不占排名。较上一代Gemini 3.7 Flash（Pass 22.5/Avg 48.8）小幅回落，Flash档位在长程任务上的提升空间有限。

GPT-6 Astra在OneMillion-Bench上没有明显提升。

  • GPT-6 Astra在OneMillion-Bench上Pass Rate 27.8%，低于自家上一代 GPT-5.6 Sol（32.2%）：GPT-6 Astra排在Claude-Opus-4.6（29.5%）之后，距榜首Claude Fable 5.1（42.1%）差14.3个百分点。这是GPT-6 Astra三张榜单中唯一出现分数下降的维度。OpenAI在真实任务处理中，尚需提升。
  • Average从GPT-5.6 Sol的53.8%降至50.2%，Economic Value从 $325,064升至$348,092：Pass Rate和Average同时下降但Economic Value 上升，说明GPT-6 Astra新增通过的任务集中在高价值区间，解决复杂问题的能力提升。
  • OpenAI的3代模型在OneMillion-Bench上的Pass Rate没有明显提高：三代模型的Pass Rate分别为26.5%（GPT5.5）、32.2%（GPT-5.6 Sol）、27.8%（GPT-6 Astra），GPT-5.6 Sol是OpenAI在OneMillion上的历史最佳，GPT-6 Astra未能延续上升趋势。最高仅32.2%，远低于Claude Fable 5.1（42.1%）和Hy4preview（35.3%）。
  • Average分数没有提升，反而略有下降：51.3→53.8→50.2：GPT-6 Astra 的Average 50.2%甚至低于GPT 5.5的51.3%，是三代中最低。
  • Economic Value持续上升：$291,065→$325,064→$348,092，说明GPT-6 Astra虽然通过的任务数量减少，但通过的任务经济价值更高，更擅长解决复杂问题。

Fable 5.1将Claude长程任务能力推至新高。

  • Fable 5.1以Pass Rate 42.1%登顶OneMillion-Bench第一：领先第二名Hy4 preview（35.3%）6.8个百分点，领先第三名Kimi k3（35.0%）7.1个百分点。这是Anthropic在OneMillion-Bench上的最佳成绩，也是所有模型首次突破40% Pass Rate。
  • Pass Rate在Opus 4.8回调后连续两代攀升：29.5→15.8→33.6→42.1。Opus 4.6（29.5%）→Opus 4.8（15.8%，-13.7）→Fable 5（33.6%，+17.8）→Fable 5.1（42.1%，+8.5）。Opus 4.8构成这一阶段的明显低点，Fable系列随后连续两代修复，Fable 5.1创下Anthropic当前最高Pass Rate。
  • Fable 5.1不仅提高了任务完成率，也把领先优势延伸到高价值任务的完成上：Economic Value从$340,156降至$217,790后连续回升至$443,213；Fable 5.1为全榜最高，比第二名Kimi K3（$356,228）高$86,985，显示其在高价值长程任务上的领先更加明显。
  • Fable 5.1不仅提高了任务完成率，也把领先优势延伸到高价值任务的完成上：Economic Value从$340,156降至$217,790后连续回升至$443,213；Fable 5.1为全榜最高，比第二名Kimi K3（$356,228）高$86,985，显示其在高价值长程任务上的领先更加明显。

腾讯Hy系列在OneMillion上实现了从中下游到第二的跃迁，Hy4-preview 是本期最大的长程任务黑马。

  • 三代Pass Rate呈加速上升：8.5→13.0→35.3，hy3-preview（8.5%）→ Hy3（13.0%，+4.5）→Hy4-preview（35.3%，+22.3）。Hy4-preview实现了一次质变式的跳跃（+22.3个百分点），PR直接从13.0%跳到35.3%，单代涨幅是前两代累计的5倍。
  • Average同步大幅提升：34.6→38.8→54.4，Hy4-preview的Avg 54.4%已接近Kimi K3（56.9%）和Claude Fable 5（55.9%），从长程任务的中下游一步跨入头部区间。
  • Economic Value从$93,990升至$293,346，三代增长×3.12：但距榜首 Claude Fable 5.1（$443,213）仍有较大差距，说明Hy4-preview新增通过的任务在经济价值分布上偏向中等价值区间，尚未覆盖最高价值的复杂任务集。

近期发布模型总结

OpenAI GPT-6 Astra（OpenAI，2026.9.5）

GPT-6 Astra是OpenAI最新旗舰模型，支持105万token context、128K最大输出，以及low/medium/high/xhigh/max五档reasoning effort，产品定位也从单纯对话/推理进一步转向computer use、浏览、代码、科研与复杂端到端工作流。Astra同时支持computer use、web search、code interpreter等工具，并新增异步工具调用，强化长流程Agent执行。定价$10/$50 per MTok，GPT-6 Astra在xbench的BabyVision中以88.92分登顶第一并领先第二名15.47分，距Human baseline仅5.18分，是所有模型中最接近人类表现的。ScienceQA 74.6/BoN 82.0创OpenAI历代新高，排名第二，但推理开销（Output Tokens 6301、响应82.60s、500题$192.6）为同分段最贵。OneMillion-Bench PR 27.8%低于上一代GPT-5.6 Sol（32.2%），出现代际回调。GPT-6 Astra的核心价值在视觉/多模态理解训练上上的重大突破，而长程任务通过率并未同步提升。OpenAI官方同样将Astra的主要升级集中在computer use、专业工作、科学研究和复杂多步任务上。

Claude Fable 5.1（Anthropic，2026.9.2）

Claude Fable 5.1是Anthropic Fable系列第二代，支持1M context、128K最大输出，并采用always-on Adaptive Thinking，可通过effort动态调节推理深度。官方将其定位于demanding reasoning、long-horizon agentic work，并重点强化长时间Agent编程、多步研究以及文档、表格和PPT工作流。定价维持$10/$50 per MTok，但cache read从Fable 5大幅降至$0.25/MTok，Anthropic估算可使典型workload成本下降约25%、高度agentic workload下降最高约45%。ScienceQA 74.6/BoN 84.0，BoN追平Opus 4.8，OneMillion-Bench PR 42.1%登顶榜首，EV $443,213为全榜最高。BabyVision 46.39%，排名第6，视觉能力仍在中游但延续长期上升趋势。因此，Fable 5.1的核心优势集中在推理效率与长程任务执行，ScienceQA响应仅13.41s、500题$22.7，是同分段成本较低的模型，OneMillion表现也与Anthropic强调的long-running agents、失败恢复和多步任务执行方向较为一致。

Gemini 3.8 Flash（Google，2026.9.3）

Gemini 3.8 Flash是Google Flash产品线最新一代，支持1M token context、64K最大输出，并支持low/medium/high三档thinking：输入原生覆盖文本、图像、视频、音频和PDF，同时支持code execution、computer use、search grounding和function calling。Google将它定义为最新的“workhorse model”，产品重点放在long-horizon software engineering、autonomous agents和复杂enterprise workflows。官方指出，3.8在复杂任务上会主动增加reasoning steps和工具调用，因此并非单纯追求减少token。当前定价为$0.75/$3.75 per MTok。ScienceQA 72.4/BoN 79.0（排名第5），较Gemini 3.7 Flash（70.2/81.0）均分提升但BoN回落：BabyVision 71.60%，较3.7Flash（73.45）小幅回落，OneMillion PR 22.0%，与3.7 Flash（22.5%）基本持平。本代并未体现为三项基础能力分数的全面跃升，更明显的产品升级方向是将Flash的低成本定位进一步延伸至长程Coding与Agent工作流。

阿里Qwen3.8-Max（Alibaba，2026.8.4）

Qwen3.8-Max是阿里Qwen首个万亿参数级统一旗舰，底层Qwen3.8-2.4T-A95B采用MoE架构，总参数达到2.4T、每token激活约95B，并支持最高1M token context，Max 产品版进一步加入原生视觉输入、thinking / non-thinking、官方内置工具等能力。阿里官方将其定位于coding、professional work、research与long-horizon agentic tasks，并强调复杂多步任务的持续执行能力。ScienceQA 73.4/BoN 82.0（排名第3，国产第一），较上一代Qwen3.7-max（70.8/79.0）提升+2.6/+3.0；BabyVision 63.40%（排名第4），较Qwen3.7-plus（46.91）大幅提升+16.49，OneMillion榜上Qwen3.8-max-preview以PR 31.9%排名第5。Qwen3.8的技术和产品变化都比较明确，一方面把模型规模提升至2.4T/95B active，另一方面将原生多模态、Agentic Coding/办公和长上下文统一进同一款Max旗舰，能力覆盖面明显扩宽。

腾讯Hy4-preview（Tencent，2026.8.28）

Hy4-preview是腾讯混元系列最新preview版本，采用770B总参数、49B激活参数的稀疏模型配置，支持1M context（最大输入960K、最大输出64K）。腾讯将其定位为“新一代生产力模型”，重点面向Agent、Coding与生产力场景，强化复杂任务中的理解、规划、工具调用和持续执行。ScienceQA 69.8/BoN 79.0（排名第9），较Hy3（66.6/80.0）均分提升+3.2，OneMillion-Bench PR 35.3%/Avg 54.4%，排名第2，较Hy3（13.0%/38.8%）实现明显跃升，PR +22.3个百分点，是本期所有模型中最大的单代OneMillion涨幅。Hy4-preview的增量与官方Agent/复杂任务执行定位较为吻合，长程任务提升远大于纯知识推理提升。OneMillion是本期明显亮点，而ScienceQA仍落后头部约7分，知识推理能力仍有提升空间。

DeepSeek V4系列（DeepSeek，2026.8.13）

DeepSeek V4延续MoE路线，并进一步拉开Pro/Flash两档配置：V4-Pro为1.6T总参数/49B激活参数，V4-Flash为284B/13B激活参数，两者均支持1M context，并提供low/high/max等可调reasoning effort。官方重点强调本代在长上下文推理效率、Agent能力和复杂任务执行上的优化，8月正式版进一步增强了Agent与API工作流支持。本期V4-Pro（Thinking+max）和V4-Flash（Thinking+max）均入榜：ScienceQA上，V4-Flash为71.0/BoN 80.0（排名第7），V4-Pro为69.4/81.0，两者在Average与BoN上各有优势；BabyVision上V4-Flash-Vision-Exp为30.15%，官方将其定位为实验性多模态版本，OneMillion-Bench上V4-Pro PR 26.0%/Avg 49.4%。DeepSeek V4不只是通过Pro/Flash做价格分层，而是用不同激活规模覆盖不同性能与成本需求，再通过可调reasoning effort进一步平衡能力、延迟和成本。

智谱GLM-5.3（Z.ai，2026.8.14/8.27）

GLM-5.3主模型约753B参数，直接沿用GLM-5.2的base model：官方明确表示，本代主要增量来自post-training，而不是继续扩大基础模型规模，重点强化complex coding、long-horizon tasks和Agent能力，并支持low/high/max三档reasoning effort。视觉榜使用的GLM-5.3-Flash则走另一条效率/多模态路线：320B总参数、18B active，是GLM-5系列首个原生多模态模型，并在大规模multimodal corpus上训练。本期GLM-5.3以Thinking+max模式入榜ScienceQA（65.8/80.0，排名第10），以Flash版本入榜BabyVision（36.60%，排名第7），以Base模式入榜OneMillion（PR 31.0%/Avg 53.9%，排名第6）。ScienceQA较上一代GLM-5.2（64.6/77.0）小幅提升，BoN+3.0；OneMillion Avg 53.9%高于多款旗舰。GLM-5.3本代的核心不再继续堆参数，而在通过post-training强化Coding/长程Agent能力，同时用Flash提供更轻量的原生多模态路线，两条产品线分别覆盖能力上限和推理效率。

xbench 是红杉中国推出的一款全新的 AI 基准测试工具。xbench 采用双轨评估体系，构建多维度测评数据集，旨在同时追踪模型的理论能力上限与 Agent 的实际落地价值。并采用长青评估的机制，通过持续并动态更新测试内容，以确保时效性和相关性。

网站：https://xbench.org/

联系方式：team@xbench.org