Signal65 实测:开源模型逼近前沿,给「暂停」论泼冷水
ryanshrout · x · 2026-09-15
评测机构 Signal65 在其 agentic 基准 PINNACLE 上公布新一轮结果,正值 OpenAI、xAI、Anthropic 等头部实验室联署呼吁放缓前沿 AI 开发之际。
核心数据:
- 开源权重模型 Qwen3.8-2.4T-A95B 的加权错误数低于 Claude Opus 5
- DeepSeek-V4.1-Flash 在最大算力档较上一代错误减少约三分之一
- Gemini 3.8 Flash 多步任务完成率达 99.6%
- 本轮共评测 8 个新配置,其中 5 个是开源权重,来自 Qwen、DeepSeek 与 Zai
关键论点:「你没测量过前沿,就没法给前沿定速」——PINNACLE 用真实多步企业级工作而非合成任务打分,以代码验证结果,衡量正确产出、速度与成本。测试显示开源模型与托管前沿的差距比「放缓讨论」所承认的更小;当开源权重紧贴前沿时,前沿几乎没有减速空间。对企业选型者而言,本月 agent 工作的优质模型选项比 8 月明显更多。NVIDIA(Blackwell Ultra 为速度测试参考平台)与 AMD 均表态支持该基准。
所属事件:开源模型逼近前沿，PINNACLE基准给暂停论泼冷水(3 条相关)→
「模型」频道最新
- 同一个任务两种「质感」：RL 过拟合模型与通用智能的手感差异 — theteknosaur · 2026-11-02
- LightOnOCR-3 发布：单一模型搞定转录、版面与图表解析 — IgorCarron · 2026-11-02
- NVIDIA Kumo 家族拆解：四款表格基础模型各管一类结构化数据 — pandeyparul · 2026-11-02
- SemiAnalysis：选模型别忽视安全分类器，Meta 网络安全模型居首 — ThomasScialom · 2026-11-02
- Reddit 用户盛赞 DeepSeek V4.1 Flash 1017：快、稳、便宜到可弃闭源模型 — _bachrc · 2026-11-02
- 本地量化模型对决 Claude：9 个真实 bug 修复实测，量化掉分更掉时间 — FeydRowan · 2026-11-02