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
- BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic — scaling01 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11
- 第三方实测:DeepSeek V4.1 Flash 达 GPT-6 Astra 98% 分,成本仅 1.4% — ayushtweetshere · 2026-09-11