AI产品狙击手

GPT-6 跑分直接杀疯了！本期视频深度解读 OpenAI 官方放出的全套 benchmark 数据，看看 GPT-6 真正的强项在哪里。 推理能力 ARC-AGI-3 拿下 98.6%，近乎满分，主打原生智力和全新任务零提示摸索能力 Claude-Fable-5.1 得分 87.8%，GPT-6 大幅领先 数学实力 Frontier Math Tier4 斩获 97.6%，大幅抛离 Claude-Fable-5.1 的 87.8%，数学实力实测碾压 办公智能体 Agents Last-Exam 得分 59.3%，考察 AI 自主操控电脑完成复杂工作 3D 建模型空间感知 BenchCAD 达到 95.9%，相比 Fable 5.1 高出十个百分点以上，空间能力提升巨大 编程基准 DeepSWE 仅 73%，略低于 Gemini-3.8-Flash 的 73.7%，编程表现反常偏弱 其他基准 Terminal-Bench-Science 拿到 64%，终端科研实操能力出众 Exploit-Bench 漏洞挖掘安全测试直接满分 100% 跑分解读完毕，后续...

分享一个很尴尬的冷知识，估计很多人早就知道，唯独我才后知后觉。OpenRouter 聚合了海量海内外大模型，我一直误以为只能靠境外信用卡才能充值，直到今天才解锁新姿势。点开个人头像，选择 credit 余额板块，点击 add-credit 充值入口，一定要勾选 use one time payment methods 这个选项，之后就能看见支付宝、微信支付的通道。不用海外银行卡，也可以轻松充值，体验平台上面各式各样的海外大模型。之前白白绕了不少弯路，属实有点尴尬…… 访问入口

想要快速摸清一款新出大模型的真实实力、调用价格，算出它的性价比，可以看看我做的这个小工具： AI 产品狙击手平台。之前更多给大家介绍过平台的 AI 工具严选板块，选中例如 Agnes‑AI 这类工具，既能一键跳转访问入口，还可以点开视频标签，查看实测测评视频，提前了解工具真实上手效果。而查询大模型实力就打开 LLM 测评专区，所有主流模型统一使用同一套 benchmark 测试用例打分，像刚测完的 Gemini 3.8‑Flash 拿到 49 分（满分 60），点开详情就能查看每一道测试题的得分与扣分原因，配套的测评视频也可以一键直达，保证测评分数有据可查。看完性能之后再前往模型参数价格板块，谷歌 Gemini 3.8‑Flash、千问 3.8‑Flash‑0902、混元 Hy4‑Preview、GLM‑5.3、Claude‑Fable‑5.1 等一众新品的最新报价全部收录在内。结合实测得分与 API 价格两项数据对比，哪个模型才是性价比之王，一眼就能判断出来…… 访问入口

做内容创作、靠 AI 产出文案的小伙一定要留意！刷视频频时你肯定听过”战斗力度拉满”这类话术，浓郁的 AI 腔很容易让观众产生抵触心理。像深耕、致力于、最前沿，都是大模型高地产出的标志性词汇，一眼就能识破机器痕迹。 我拿一段 Deepseek 生成 的自我介给给家演示，原文 AI 味很重，经过修改之后几乎分不清是人写还是 AI 生成。想要快速去掉方案的机器感，可以在千问办公启用 AI 文本优化 skill，下达去除 AI 味的指令。工具会逐项标出 AI 话术、给出修改理由，输出一份接地气、说人话的改写文稿。 掌握这个去 AI 腔的小技巧，你的内容创作效率就能再上一个台阶…… 访问入口

谷歌 Gemini–3.8–Flash 测评报告出炉！此次依旧使用 V2.1 升级版祖宗测试用例，在 AI Studio 平台拉满思考深度进行实测。约束束句子生成全部十条通顺达标；新版 24 点三道解法全部合规正确；高难度 7 位密码锁推理顺利答对，单论推理表现甚至优于 Fable 5.1。 来到编程项目，浏览器操作系统 UI 精致，弹窗、Dock 栏运行正常；太空射击游戏具备 3D 效果，但同时按下方键和空格会中断射击，碰撞缺乏反馈效果；3D 赛车游戏画面简陋，车辆存在漂移问题；Trello 看板卡片拖拽正常，但是列表拖动换位功能失效。 综合整套测试，这款模型推理实力亮眼，不过代码实现方面还有不少短板有待优化…… 访问入口

平时测评 AI 工具我一般都会先讲痛点，而这款微软开源项目直接看 53.5K 的 Star 数量，就值得先收藏再说。它最亮眼的能力就是一次性处理 60 分钟长音频，不用手动切割分片。市面上绝大多数 ASR 识别工具遇到长录音都需要拆分音频，拆分之后很容易造成上下文断裂，原理和 RAG 文档分片问题十分相似，切割后的片段丢失全局语义，识别总结效果大打折扣。而它完整保留一小时音频的全部上下文，最适合一小时时长的会议录音一键生成纪要，也可以二次开发做成智能录音笔类应用，衍生玩法想象空间巨大。模型体积仅 1.58G，CPU 环境就可以直接运行，无需高配显卡，企业部署门槛很低…… 访问入口

Qwen 3.8 Max 新版实测报告来了！官宣编程能力大幅升级、登陆 CodeArena 榜单，今天就在 Deepseek Harness 拉满思考深度，用上 V2.1 祖传测试用例一探究竟。 强约束句子生成任务全部通过，十条语句通顺达标；三解 24 点题目前两个解法正确，第三个误用开立方出现违规参数；难度升级的 7 位密码锁推理宣告无解，推理环节翻车。 编程测试取消无头浏览器 UI 校验，纯看模型原生输出。浏览器操作系统 UI 精致、弹窗与 Dock 栏运行正常；太空射击游戏 3D 效果到位，但空格键和鼠标点击无法发射子弹，存在功能 bug；3D 赛车游戏整体体验尚可，少量障碍物贴图粗糙；Trello 看板 UI 观感舒适，拖拽增删改功能运行稳定。 访问入口

最新 Fable 5.1 测试报告出炉！直接上 V2.1 升级版祖传测试用例开测。 强约束句子生成全部 1—10 结尾，语句通顺达标；新版需要三个解法的 24 点任务，仅两条答案合格；高难度 7 位密码锁推理顺利拿下，推理实力过硬。 编程测试取消无头浏览器 UI 校验，纯看模型原生编码输出。浏览器操作系统 UI 精致、弹窗与 Dock 栏运行正常；太空射击游戏完成度堪称第一梯队，3D 渲染、战机效果一流；3D 赛车游戏画面出彩；无第三方库开发的 Trello 看板功能整体可用，只是 UI 观感比较普通。 一轮测试明显感觉当前 V2.1 测试题库已经有点跟不上它的实力，如果越来越多模型达到这个水准，祖传测试用例就得直接升级到 V3 版本了…… 访问入口

混元 Hy4‑Preview 的 Workbuddy 实测报告来了！之前在 Claude Code 付费测评体验一般，最大槽点就是响应速度慢。这次借着 Workbuddy 免费福利，同时升级到 V2.1 版基准测试用例重新开测。强约束句子生成任务当中模型输出文风偏古文，自评结果 10 条语句仅 5 条达标；新版三解 24 点题目第三个解法出现数字重复，没能通过；难度升级的 7 位密码锁推理顺利答对。编程板块表现亮眼，浏览器操作系统、太空射击游戏、3D 赛车游戏完成度较高，交互与 3D 渲染效果在线；Trello 看板拖拽增删改核心功能正常，唯独 UI 多出一个突兀加号按钮。综合整套评测来看，Hy4‑Preview 实力可圈可点，在 Workbuddy 生态加持之下适配效果更佳…… 访问入口

大家先来看看我在千问办公生成的这款可爱计算器，界面看着不错，可惜缺少动画交互，体验平平。再看第二个版本，同样可爱的外观，亮点却是流畅的交互动画，按键按下有真实回弹效果，计算数值还带有滚动动画，效果十分出彩。 放在以前，手动调试这类顺滑动画往往要耗费大半天时间。现在实现起来却格外轻松，直接发送提示词，在千问办公装上 gsap-skills 插件就搞定。之后开发页面时，你只管描述想要的动画效果，不用死记 GSAP 各类动画参数，AI 就能自动生成对应的动画代码，感兴趣的小伙伴可以动手试一试…… 访问入口