Meta旗下Llama系列AI模型曾备受好评，但2025年4月推出的Llama4引发信任危机。Meta宣传其基准测试表现优秀，但开发者实测发现性能远低于宣传，外界怀疑Meta在测试中可能采取了不当手段。
2025年AI编程领域迎来爆发式增长，从代码补全进化到多代理协作系统，AI已成为能独立处理复杂任务的“智能伙伴”。斯坦福大学报告显示，AI在软件工程基准测试SWE-bench上的得分一年内大幅提升67.3个百分点，达到71.7%，标志着AI编程能力实现重大突破。
圣诞节当天，边缘AI初创公司Liquid AI发布开源模型LFM2-2.6B-Exp，仅26亿参数，却在多项基准测试中表现优异，指令跟随能力甚至超越数百亿参数的DeepSeek R1-0528，被赞为“最强3B级模型”。该模型基于第二代LFM2基础模型，通过纯强化学习实现实验性突破。
OpenAI发布GPT-5.2-Codex，这是其最先进的智能体编程模型。它专为处理复杂、长期的现实编码任务设计，在基准测试中创下新纪录，并能自主完成从代码理解、环境搭建到漏洞挖掘和提交Pull Request的全流程。该模型融合了GPT-5.2的通用推理能力和GPT-5.1-Codex-Max的终端操作功能，标志着AI在软件工程实战能力上的重大突破。
强大的开源Kimi K2聊天平台，通过Kimi AI在编程和数学基准测试中超越GPT-4。企业级Kimi AI，成本降低95%。
用于评估Windows PC或Apple Mac上AI推理引擎性能的基准测试工具。
用于衡量设备 AI 加速器推理性能的基准测试工具。
开源AI芯片性能基准测试平台
Anthropic
$105
Input tokens/M
$525
Output tokens/M
200
Context Length
$21
Alibaba
-
Bytedance
Baidu
Tencent
$2
64
$0.8
$8
256
moonshotai
Kimi K2 Thinking 是月之暗面（Moonshot AI）开发的最新一代开源思维模型，具有强大的深度推理能力和工具调用功能。该模型采用混合专家架构，支持原生INT4量化，拥有256k上下文窗口，在多个基准测试中表现出色。
unsloth
GLM-4.6是智谱AI推出的新一代文本生成模型，相比GLM-4.5在多个方面有显著改进，包括更长的上下文窗口、更优的编码性能和更强的推理能力。该模型在多个公开基准测试中表现出色，与国内外领先模型相比具有竞争优势。
GLM-4.6是智谱AI开发的新一代大语言模型，相比GLM-4.5在上下文处理、编码能力和推理性能方面有显著提升。该模型支持200K上下文长度，在多个公开基准测试中表现出色，特别在代码生成、推理和代理任务方面具有竞争优势。
cpatonn
GLM-4.5V-AWQ-4bit是基于智谱AI下一代旗舰文本基础模型构建的量化版本多模态模型，通过AWQ-4bit量化技术优化，在保持优异性能的同时显著降低计算资源需求。该模型在42个公开视觉语言基准测试中达到同规模模型的SOTA性能，具备强大的视觉推理能力。
Devstral 1.1是由Mistral AI和All Hands AI合作开发的智能大语言模型，专为软件工程任务设计。该模型在SWE-bench基准测试中表现出色，位列开源模型榜首，拥有240亿参数和128k tokens的长上下文窗口。
Devstral是一款专为软件工程任务打造的大语言模型，由Mistral AI和All Hands AI合作开发。在SWE-bench基准测试中表现优异，是排名第一的开源模型。
qihoo360
Light-R1-7B-DS是基于DeepSeek-R1-Distill-Qwen-7B微调的开源7B数学模型，在AIME24和25等数学基准测试中表现优异。
Light-R1-14B-DS是一个14B参数的数学SOTA模型，采用强化学习训练，在AIME24/25和GPQA基准测试中表现优异。
desklib
由Desklib开发的AI生成文本检测模型，用于区分人类撰写和AI生成的英文文本，在RAID基准测试中表现领先。
RUC-AIBOX
STILL-3-1.5B-preview是一款采用强化学习技术增强推理能力的慢思考模型，在AIME基准测试中达到39.33%准确率
scb10x
台风T1 3B是SCB 10X开发的新型开放推理模型系列的首款产品。该模型基于Llama 3.2架构，具备跨领域推理能力，在GPQA、MMLU Pro和AI数学奥林匹克等基准测试中表现优异，特别支持泰语推理过程生成。
apple
AIMv2是采用多模态自回归目标预训练的视觉模型系列，在多项多模态理解基准测试中表现优异。
AIMv2是一个采用多模态自回归目标预训练的视觉模型系列，在多项多模态理解基准测试中表现优异。
AIMv2是基于多模态自回归目标预训练的视觉模型系列，在多模态理解基准测试中表现优异
AIMv2是通过多模态自回归目标预训练的视觉模型系列，在多模态理解基准测试中表现优异。
AIMv2是通过多模态自回归目标预训练的视觉模型系列，在多个视觉理解基准测试中表现优异。
AIMv2 是通过多模态自回归目标预训练的视觉模型系列，在多个视觉理解基准测试中表现优异。
AIMv2是通过多模态自回归目标预训练的视觉模型系列，在多个基准测试中表现优异。
AIMv2是基于多模态自回归目标预训练的视觉模型系列，在多个基准测试中表现优异
AIMv2 是一个通过多模态自回归目标预训练的视觉模型系列，在多个多模态理解基准测试中表现优异。
MCP服务器测试工具是一个配置驱动的测试解决方案，用于验证、基准测试和确保与AI模型集成的MCP服务器的可靠性。它支持自动发现工具、生成智能测试用例、执行验证并生成详细报告。
AutoGPT是一个开源AI代理框架，旨在让每个人都能轻松构建和使用AI代理。项目提供Forge工具链简化开发流程，包含基准测试、用户界面和CLI工具，支持通过Agent Protocol标准实现兼容性，并设有竞技场排行榜激励开发者优化代理性能。
MeshSeeks是一个基于多代理并行处理技术的AI任务解决平台，通过创建专业化的AI代理网络，实现复杂编码问题的快速分解与协同解决。项目提供4倍上下文容量、实时状态面板和智能任务协调功能，显著提升开发效率（基准测试显示速度提升3.64倍）。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
