AA 榜单 v5.0 更新后，国产模型排名集体下滑

排名算法一变，国产模型全部滑铁卢了！

国产模型最近是“被虐”得太惨了，以前宣传都是追上甚至超越国际水平了，也就一年光景，现在是尾灯都快看不到了。 AA 算法一调整，所有国模排名又下滑~~ 除了最新的K3.1 Pro 还能扛一下，其它全部跌出前 10！ 我一向不太相信榜单，但是这个调整整体来说更加接近真实情况了，其实，实战情况，比这个排名还要往后挪~~ 这里有非常多耐人寻味的地方！ 1、国产“最强”也弱！ 国产最强模型 K3.1 Pro 从第4名掉到了第 9 名，从旗舰模型的角度来看，Anthropic、OpenAI、谷歌、Meta 这些外国模型全面领先。 2、“小弟”都这么能打！ Haiku 作为 Claude 系列中最便宜、最弱的模型居然也这么能打。直接把 Qwen3.8 Max、DeepSeek 4.1 Flash、GLM5.3 踩在脚下了。这里面不乏国产旗舰模型啊！  Anthropic 太可怕了，直接用下下等马跑赢了上等马。 3、Gemini 3.8 抬起了头！ 谷歌的 Flash 模型，居然把一大半国产模型给比下去。 什么小米 MiMo2.6P、Ling3.1、MiniMax 3.1、Step5 都排在了它后面。 4、Haiku 比 Luna 强很多。 同样是系列最低档，Haiku 要比 Luna 高九个名次。 Haiku 跑赢了上面提到的几乎所有国产模型，而 Luna 全部跑输了。 5、“性价比”极高的模型 从这个排名来看，次旗舰 Sonnet5.5 和 GPT-6.1 Sol 性价比奇高，它们的价格至少是旗舰的 1/2，但是能力非常接近。 另外 Haiku 的价格性价比已经“夯爆了”！ （我专门搞了价目表： topai.jarvisuni.com/price） 它的能力比国产 Flash 强，甚至比大部分国产旗舰模型都强，但是价格是 Flash 的价格，甚至比国产 Flash 还便宜。 这里面有多少剪刀差啊！ 单看最新版可能不明显，对比一下老版： 从对比可以看出来，排名大幅度波动。 波动的主要原因就是测试方法变了。 测评标准从 4.3.2 升级到了 v5.0，刷老题没用了！ v5.0 主要包含 9 项评估： AA-Briefcase v1.1、AutomationBench-AA、GDP.pdf、FrontierCode 2.0、Terminal-Bench 4.0、AA-Omniscience v1.1、HLE-Diamond、CritPt v2（困难子集）和 Terminal-Bench-Science 0.1.0。 测评方法论强调公平性和实际应用性。 智力指数是根据四个类别的加权平均值计算得出的： 知识工作（25%）、编程（25%）、科学（25%）和综合（25%）。 类别归属和每次评估的权重如下所示： v5.0 主要变化如下： 将 HLE-Diamond (10%) 添加到通用（General）类别 将 Terminal-Bench-Science (15%) 添加到科学（Science）类别 将 FrontierCode 2.0 (15%) 添加到编码（Coding）类别 将 GDP.pdf 的权重从 10% 调整（降低）至 5% 用 CritPt v2（困难子集）替换了 CritPt，权重保持 10% 不变 从智能指数（Intelligence Index）中移除了 GDPval-AA 从智能指数中移除了 SciCode 从智能指数中移除了 AA-LCR 从智能指数中移除了 Humanity's Last Exam 将 AA-Omniscience 升级至 v1.1 版本 重新平衡各类别权重：知识工作（Knowledge Work）25%、编码（Coding）25%、科学（Science）25%、通用（General）25% 将“智能体（Agents）”类别重命名为“知识工作（Knowledge Work）”，将“科学推理（Scientific Reasoning）”重命名为“科学（Science）”，并将 GDP.pdf 移至“知识工作”类别中 虽然不能全信，但是整体来说，还算均衡的！ 基本能体现模型的整体能力。 既然看了 AA 的智能榜，我们再来看另外两个榜单，看看性价比和时间比。 一个叫单任务消耗（Cost per task） ，越低越好！ 从这个表中可以看到： GPT-6 Luna 消耗很低，几乎打败了所有人！ Haiku 也很低，比 DS 都要低。 GPT-6.1 Terra 和 DS 挨得很近。 Step、Qwen3.8、K3.1、GLM5.3 这些能力不如 Haiku，消耗的钱又比 Haiku 高几十倍。 Qwen3.8 Max 真的是“无敌”了，能力很拉垮，价格却特别出众。 别人比的是性价比，它比的是反向性价比。 还有一个叫单任务时间（Time per task）越少越好！ 从这个表中可以看到： 这个榜单里 DS 还有一点领先优势。但是和 Haiku、Luna 这些也拉不开距离。 GPT-6 系列居然都这么快，真的假的！ Gemini 3.8 跑很快是实至名归。 另外不得不提一下最慢的几个家伙。它们分别是 Kimi 3.1 Pro、MiMo2.6 Pro、Qwen3.8 Max。 K3当时好像最慢，现在是有所提升，整体还是慢！ Qwen3.8 真的“反向无敌”了。 又拉胯，又慢，又费时间。 MiMo 确实也是“卧龙”般存在了，“凤雏”反而有点中庸了。 K3.1 Pro 能力尚可，消耗尚可，但是速度很慢。 这个仅仅是根据 AA 的图表的总结啊，有些数据，和我的实际体验还有出入。 这么看下来， 国产模型能力被吊打，性价比也被吊打，速度也没有优势 。 综合来看， 确实也就大肥鱼还比较能打 。 它的特点是：能力一般，速度快，价格低！ 如果你有得选的情况下，想要性能，可以无脑入 Opus5.5。 想要性能又想要性价比就用 GPT-6.1 Sol 和 Sonnet5.5。 如果想要便宜又有性能还很快那就是 Haiku 了。 国内用户没得选的情况下，DS4.1F 可能就是最佳选择了。 当然，这个建议，仅限当下！ 未来可能还会发生巨大变化。 整体来说，还是那句话，你可以什么都不研究，只要研究一下如何拥有一个Claude账号就可以了。 如果你不搞高精尖，不在乎时间，效率，那么什么模型都可以。