OpenAI GPT-6 Cyber 开始限量开放，安全团队能用它做什么？
OpenAI 开始向部分 Daybreak Red 客户开放 GPT-6 Cyber，用于经授权的漏洞研究与安全测试。本文说明谁能获得访问权、API 如何计费、怎样读懂 Critical 评级与基准成绩，并用预发布环境的权限回归说明如何验证补丁。
Kostja1 分钟阅读
模型与评测
本分类共 22 篇文章。
GPT-6.1 Sol 详解：价格、性能、开放范围与模型对比
GPT-6.1 Sol 以 Astra 五分之一的标准 token 价格，提供接近 Astra 的编程、电脑操作与专业工作能力。本文解释这些数字真正意味着什么。
Floatboat3 分钟阅读
Jev 是什么——不生成文本的决策模型
Jev 是 TypeSafe AI 发布的 System One 模型：读取状态、返回带置信度的 typed decisions，而不生成任何文本。本文拆解其 RLCD 训练方法、官方宣称的 193.6x 加速与 444.6x 成本优势，以及 Hacker News…
Tan Shaoqing2 分钟阅读
DeepSeek V4.1 Flash：正式版状态、规格、价格与迁移
DeepSeek V4.1 Flash 已成为正式 Flash 模型。本文核对生产模型名、1M 上下文、视觉能力、峰谷价格、退役别名、V4 Pro 临时路由，以及从限时测试版迁移时必须复测的关键项目。
Judy1 分钟阅读
GPT-6 Astra：当前规格、价格、安全边界与适用场景
基于 OpenAI 当前官方资料解释 GPT-6 Astra：10/50 美元价格、1.05M 上下文、工具支持、长上下文溢价、Critical 网络安全门槛，以及与 GPT-6.1 Sol、GPT-6 Luna 的选型边界。
Kostja1 分钟阅读
Gemini 3.8 Flash——谷歌新的编程与 Agent 主力模型
解释 Gemini 3.8 Flash 相比 3.7 的真实变化，覆盖准确 ID、1M 上下文、thinking level、限时价格、工具行为、token 代价、版本限制与可复现任务路由测试。
Kostja1 分钟阅读
MiniMax H3 Max 直播演示：生成速度比播放还快
把 MiniMax H3 Max Live 作为实验性连续视频管线评估，覆盖官方状态、价格、吞吐、缓冲、审核与成本测试，核验于 2026 年 10 月 13 日。
Tan Shaoqing1 分钟阅读
DeepSeek Harness 是什么 — DeepSeek 官方 Agent 执行层的定义、架构与开源发布全解读
DeepSeek Harness 是 DeepSeek 官方打造的 AI 编码 Agent——连接 V4 模型与真实软件工程工作的执行层。本文解析 Model + Harness = Agent 的核心定义、架构来源与招聘信息透露的设计方向、V4-Flash 0731…
Kostja3 分钟阅读
DeepSeek V4 Pro 0813——悄无声息的 GA，与它真正改变的东西
DeepSeek V4 Pro 0813 在没有发布公告的情况下悄悄转正（GA）。本文整理其完整规格、官方声称的 Agent 基准成绩、8 月 16 日涨价前的定价窗口、与预览版相比的真实变化，以及它与同周发布的 Grok 4.6 的正面较量。
Judy3 分钟阅读
GLM-5.3 权重状态：自托管前如何核验
在比较 GLM-5.3 托管 API 与 Coding Plan 前，先核验权重工件是否可下载、许可证条款与自托管要求，并评估 thinking 参数迁移、Agent 适配、基础设施成本及每个合格任务的总成本。
Ketd1 分钟阅读
Grok 4.6 详解：参数、基准、价格，以及 4.7 发布后是否还值得用
基于官方资料与独立评测解析 Grok 4.6：50 万 token 上下文、推理档位、API 价格、长上下文成本与基准版本差异，并说明 Grok 4.7 发布后哪些场景仍值得保留 4.6。
Jade2 分钟阅读
MiniMax H3 是什么——开放的全模态视频模型
MiniMax H3 是开放权重的全模态视频系统，可统一处理文本、图片、视频与音频并生成原生立体声音视频。本文核对 FL2VA、Ref2VA、输出规格、完整价格、开放权重边界与统一素材测试方法。
Jade2 分钟阅读
Kimi K3 是什么 — 2.8 万亿参数开源旗舰模型的架构、跑分与 Agentic Coding 影响全解析
从开放权重边界、Kimi K3 License、准确 kimi-k3 API ID、1M 上下文、当前多币种价格、工具兼容、64+ 加速卡建议与自托管总成本解析 Kimi K3。
Tan Shaoqing1 分钟阅读
GPT-5.6 Sol、Terra 与 Luna：当前价格与选型方法
按当前 API 价格、长上下文溢价、推理档位、工具支持和真实工作负载，对比 GPT-5.6 Sol、Terra 与 Luna，并区分发布预览价、后续调价和 GPT-6 上线后的选型位置。
Judy1 分钟阅读
Effort Control 与 Fast Mode：AI 工作该多想还是该求快
按任务风险、等待成本、复核难度与预算，选择 AI 推理投入和响应速度的实用框架，并用可复现评测判断何时提高 Effort、何时值得使用 Fast Mode，以及如何避免为无效的深度推理与速度溢价买单。
Nova1 分钟阅读
Gemini 3.5 集成指南：单人经营者现在还该不该用
Gemini 3.5 Flash 仍是稳定模型，但已不是 Google 最新的 Flash。本文核对其能力、成本、隐私和工具边界，并用可复现工作流判断单人经营者是否仍值得集成。
Nova2 分钟阅读
Meta Muse Spark 适合一人公司吗：模型切换指南
Muse Spark 到 1.3 版本发生了什么变化，一人公司应如何评估多模态、Agent 与编码能力、接入方式、复核负担和迁移成本，并通过窄路径测试决定是否切换。
Nova1 分钟阅读
GPT Image 2 漫画创作实战：单人创作者的全章工作流
一套可核验的 GPT Image 2 漫画工作流：从脚本拆格、角色与场景设定、逐格生成，到独立排字、连续性审校、版权核对、成本记录与印刷导出，并用六格试刊判断这套方法是否值得扩展到整章制作。
Nova1 分钟阅读
一个人能用 GPT Image 2 做完一整组分镜吗？
GPT Image 2 能独立产出可用的影视或短视频分镜吗？一位单人创作者实测 24 帧短片分镜，本文讲清它擅长什么、在哪里翻车，以及何时该请真人分镜师、何时用 GPT Image 2 就够了。
Nova1 分钟阅读
GPT-6 Astra 适合一人公司吗？任务、成本与落地边界
面向一人公司的 GPT-6 Astra 实用指南：适合哪些真实业务任务、如何计算每项工作成本、怎样控制工具权限、如何设计采用前评测，以及哪些工作应交给更便宜的模型或确定性自动化。
Nova2 分钟阅读
Grok 3 API 已退役：2026 年迁移、价格与选型指南
Grok 3 API 已在 2026 年退役，旧 slug 会自动转到 Grok 4.3。本文说明实际计费、现行模型选择、搜索工具成本，以及小团队如何安全迁移。
Nova2 分钟阅读
单人经营者使用 DeepSeek V4 API：价格、模型与成本控制
面向单人经营者的 DeepSeek V4 API 当前指南：核对模型 ID、峰谷价格、缓存经济性和路由变化，并用每个验收任务成本、预算上限与人工审核设计一轮可控试点。
Nova1 分钟阅读
/zh/blog/category/model-benchmarks
模型与评测 阅读常见问题
榜单能替代自己的任务测试吗？
基准测试只覆盖特定条件。你的流程可能使用不同文档、工具、语言和审阅标准，应先测试有代表性的任务，再决定榜单结论是否适用。
比较模型时，应计算哪些成本？
除了模型用量，还应考虑失败重试、重复上下文、工具步骤和人工返工。单价更低，不一定意味着得到一份可接受成果的总成本更低。
长上下文窗口不能证明什么？
不能证明模型会准确提取并推理所有材料。还需要检查交叉引用、矛盾证据，以及距离摘要主题较远的细节。
为什么要记录模型 ID 和版本日期？
同一个系列名可能包含多个快照或端点。复现实验时应记录准确 ID 和接入条件，尤其要留意预览版替换或提供方路由变化。
文本、图片与视频模型能用同一套标准评价吗？
业务目标可以共用，但文本准确性、画面构图、动作连续性和音画配合需要不同检查。先为各类产出设定验收标准，再做综合判断。
怎样区分厂商声明与复现结果？
查看测试由谁执行、采用什么版本和设置，以及是否公开任务和评分方法。转述的成绩与独立重复执行的工作流，是不同层次的证据。