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
- 发帖人意外发现:v4.1 flash 在被要求控制 CoT 时反而更准确 — dfrsrchtwts · 2026-10-27
- 网友爆料 Anthropic 模型内置「破坏」机制，针对特定工程方式 — cephaloform · 2026-10-27
- 用户让 Gemini 列未读邮件，它却答「邮件里没这信息」 — gethackteam · 2026-10-27
- Meta Muse Spark Open 上线 Applied Compute，被评具强基座模型潜质 — ypatil125 · 2026-10-27
- 月之暗面发布 Kimi K3.1 Pro：3 万亿参数级开源模型主动限制黑客能力 — pstAsiatech · 2026-10-27
- Reddit 讨论:你会想要一个「永不妥协、坚持己见」的 LLM 吗? — GodComplecs · 2026-10-27