跳到正文

評測基準

模型到底誰強:Benchmark 成績、評測方法論爭議與排行榜變化的持續記錄。

138條精選相關主題模型發布論文研究推理能力

最新精選

第 81–100 條 · 共 138 條
11月11日週三
  1. Dev.to Top Tech78

    .NET 11 Runtime Async 實測:堆疊追蹤縮至 5 層,已完成工作等待最高快 3.2 倍

    作者在 Ubuntu 24.04 的 4 vCPU VM 上實測 .NET 11 Runtime Async,堆疊追蹤由 17 層縮至 5 層,已完成工作等待的微基準最高快 3.2 倍。

    推薦理由:作者以同一份範例與三次測量比較 Runtime Async,呈現堆疊追蹤和已完成工作等待的變化,也交代微基準受共享 VM 波動影響。

  2. aihot79

    OpenRouter 實測 fp8 與 fp4 量化對 LLM 品質與價格的影響

    OpenRouter 實測 Qwen3.8 27B 的六個服務商端點,在 240 個計分任務中未測出 fp8、fp4 與 fp16 的準確度差異,並比較不同量化精度的價格與端點選擇方式。

    推薦理由:OpenRouter 以單一模型的端點測試比較量化精度、準確率與價格,並說明如何用 provider.quantizations 篩選端點及保留故障回退選項。

  3. Perplexity76

    Perplexity 開放 Gemini 4 Carbon 供 Pro 和 Max 訂閱者在 Perplexity Computer 使用,Max 訂閱者也可在 Search 使用。 WANDR 基準:得分 0.857,每項任務成本 $5.86。 成本比較:Perplexity 表示,Gemini 4 Carbon 的分數與 Claude Fable 5.2 相同,成本為其 40%。

    推薦理由:Perplexity 提供 WANDR 分數與單次任務成本,並和 Claude Fable 5.2 比較,呈現 Gemini 4 Carbon 的效能與成本資訊。

  4. Tom’s Hardware AI & Computing86

    AMD Zen 6 EPYC Venice 深度解析與基準測試

    AMD 的 EPYC「Venice」是首批採用 Zen 6 架構的處理器;Tom’s Hardware 測試 EPYC 9996 與 9686F,並比較其架構及伺服器工作負載表現。

    推薦理由:文章以雙路伺服器實測比較 Venice 與前代及 Vera,並拆解架構、記憶體與工作負載差異,呈現不同 EPYC 型號的效能取向。

  5. Phoronix (Linux HW & Benchmarks)88

    AMD EPYC 9996 基準測試:256 個 Zen 6C 核心展現效能

    Phoronix 實測 AMD EPYC 9996 雙路配置,評估其在多種 Linux 工作負載下的效能與每瓦效能。 - 測試配置:每顆處理器有 256 核心、512 執行緒;雙路合計 512 核心、1024 執行緒。

    推薦理由:文章以 Phoronix 的實測比較 EPYC 9996 雙路配置與前代 EPYC、Intel Xeon 旗艦處理器,呈現 512 核心平臺在多種 Linux 工作負載下的效能與每瓦效能。

  6. LMSYS Org Blog83

    SGLang 團隊用 megakernel 讓 Muse Spark Open 在 Blackwell GPU 上達到每秒 1,109 個 token

    GPU 執行模型時,工作被拆成許多小步驟,步驟之間的等待會讓部分晶片閒著。LMSYS 團隊為 Muse Spark Open 寫了一種叫 megakernel 的大型 GPU 程式,把每一層的多項工作合在一起,讓不同部分能趁空檔先處理下一件事。在 Blackwell GPU 上,單次請求的解碼速度從每秒 517 個 token 提升到 1,109 個 token;團隊也把草稿模型的執行步驟從 175 次減到 8 次。這種做法目前只支援搭配猜測解碼的單一請求,團隊接下來打算擴充到多個請求。

    推薦理由:文章拆解 megakernel 如何合併 GPU 工作、減少等待,並以 Muse Spark Open 的實測展示效能變化,能看出低延遲推論的工程取捨。

11月10日週二
  1. Dev.to Top Tech79

    Claude Fable 5.2 定價分析:20% 降價對比 Fable 5.1、Opus 5.5 與 GPT-6 Astra 的任務成本

    Claude Fable 5.2 的標準 API 價格比 Fable 5.1 低 20%,但不同快取使用方式與工作負載會改變各模型的成本差距。 - 標準定價:每 1M 輸入 token 為 $8、輸出 token 為 $40;快取讀取為 $0.20。

    推薦理由:文章以標示的 token 工作負載試算多款模型成本,並對照 Anthropic 提供的基準分數,呈現價格差距如何隨快取使用與任務型別改變。

  2. Rohan Paul78

    Claude Fable 5.2 從短提示產出規格、電路圖、電路板佈局、可 3D 列印的外殼與韌體,供三種硬體原型使用。 - 實作情況:電路板製造商 Diode Computers 直接使用模型檔案製作免持電話、語音助理中樞與手持虛擬寵物,略過一般的多輪製造修改。

    推薦理由:Diode Computers 的實作與 PCB Gym 資料,呈現 Claude Fable 5.2 在電路板佈局修正上的表現及 API 成本差異。

  3. aihot78

    Artificial Analysis 評測 Claude Fable 5.2:以 65 分登上 Intelligence Index v5 榜首

    Claude Fable 5.2 在 Artificial Analysis Intelligence Index v5 的 max effort 評測中獲得 65 分,登上榜首,領先 Gemini 4 Carbon(high,60 分)與 Claude Opus 5.5(max,59 分)。

    推薦理由:多項基準顯示 Claude Fable 5.2 的優勢集中在科學、知識與程式評測,AI 助理知識工作和終端程式仍與既有模型接近。