17款大模型战略推理实测：GPT-5.6 居首，Opus 4.8 仅列第五
petburiraja · reddit · 2026-07-22
一家私人机构发布了 17 款前沿大模型的综合基准测试结果。测试涵盖战略推理（30%）、咨询质量（25%）、长文分析（25%）和批判性审查（20%）四个维度。
核心排名：
- GPT-5.6 Sol high 以 96.5 分位居第一，Qwen 3.8 Max（95.0）和 GPT-5.6 Sol xhigh（93.8）紧随其后。
- Opus 4.8 获得 92.3 分位列第五，其咨询质量得分较高（96.7），但战略推理（87.0）相对拖后腿。
- Grok 4.5 总分 92.0，其战略推理拿到全场最高的 96.0，但批判性审查得分较低（83.2）。
测试局限： 每项测试仅运行一次（n=1），且部分模型由不同模型进行盲评打分，存在 ±3-5 分的误差。作者强调这仅是特定领域的业务测试，不代表模型的编程、视觉或长上下文能力。
「模型」频道最新
- Kimi K3 在网络安全上很强，但 token 效率卡住了评测 — teortaxesTex · 2026-07-27
- Opus 5 传在赛车游戏测试中一次过关 — soumitrashukla9 · 2026-07-27
- Claude Opus 5 据称价格减半并刷榜 Frontier-Bench — GregCook2011 · 2026-07-27
- 研究者称防御场景更偏向开放模型，Kimi K3 已接近高水平网络安全能力 — eliebakouch · 2026-07-27
- Opus 5 连自己生成的游戏不好看都能察觉 — Angaisb_ · 2026-07-27
- Opus 5 深夜聊天时反过来追问用户动机 — repligate · 2026-07-27