最好是一个复杂的评判标准。
单纯从榜单来说，跑分数据是这样的（当然，一楼已经补全了未来一两个月里要推出的大模型，补全后的榜单也已提供）。
但是我想说的是，如果你说性能榜，那基本就是这样。但是你要说“最好”，那还真是另一回事。推理性能很高的小模型，深度足够，但是知识广度可能不够；英文很友好的模型，中文性能可能赶不上国产模型。
比如，O3 的推理能力也很顶级，从跑分看，比 R1 高。但是 R1 一手“贴吧老哥”风格对国人来说，那能把 O3 打成“白痴”。
再比如，Claude 3.5 虽然推出很久，但是编码能力仍然是顶级的。但这是一个“封号狂魔”，一直是卖 API 的，还卖得很贵。未来 Claude 4.0 推出，不管是基座模型还是推理模型，性能肯定低不了，但是大部分国人用不上。
又比如 GPT-5、Grok 3，未来一两个月推出，单从跑分来说，估计会超过 Gemini 2.0 Pro，要不也不好意思推出。但是 Grok 3 的商业路线不明确，而从 OpenAI 的“尿性”看，估计很快会给你一个路由模型。简单说，看着 GPT-5 整合了基座模型和推理模型，其实背后应该是三个模型，mini 版“传统手艺”不会丢，推理模型仍然收费等等，“传统技能”使用概率百分之九十九。
第一，这里不单单说是的性能榜，也包括对传统七家强势AI 公司内部情况的判断， openai，手上有货但是喜欢营销，玩商业小把戏，各种mini 版，节省服务器费用， claude RLHF 无敌，但是资金，名气，流量，赶不上openai ， 所以各种封号，而且很针对中国，xai 情况不明，马斯克声音大雨点小的可能很大， meta 系列 高分低能，llamm 405B 推出的时候，跑分也是超过了GPT4,的，但是你发现deepseek 同样开源后国内国外玩疯了，而llama 405B 不过是个过客。qwen 3 可能也会是一匹黑马。grok 3 同样也可能是一匹黑马， 但是现在都难说。
第二， 性能和体验是两回事，就如同R1 那强大的性能，对大多数人来说，已经超模了。显然很多时候，不是R1 不够强，是普通人甚至提不出能发掘R1 性能的正确问题了。所以体验本质是人和模型交互过程。到了今天已经不简单的是模型性能的问题了。O3 数学跑分造假不造假不说，普通人咋可能天天搞AIME 那么复杂的数学？ GROK3 传言能解开黎曼猜想？ 这虽然很扯淡，但是黎曼猜想和普通人距离太远了。我朋友二狗的想法，才是大部分人想弄明白的。
所以，如果从体验来说，而不是从跑分榜单来说，在通用情况下，DeepSeek V3 、Gemini Pro 2.0、DeepSeek R1、Claude 4.0，应该是未来很长一段时间最好的模型。
判定条件是：用得上、体验爽，并且同时兼顾模型性能的深度和广度。Claude 4.0 加进来完全是因为 Claude 3.5 强大代码能力带来的预期而已，前三个是标准答案。 |
|
