持续收录 LeetCode/Codeforces 新题，按时间窗切分防污染
用还没出生的竞赛题考模型（时间窗切分防背题）。分数比 HumanEval 低很多，但更接近“真实的算法功底”。
按题目发布时间划分 train/corrupt/test 窗口
共收录 35 场模型发布（收录 48 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3.8-Flash-Next 被发布文定位为迈向极致性价比的全新架构预览（GDN+QSA 混合注意力、N-gram Embedding、Muon 优化器），为 Qwen4 架构探路。评测覆盖代理编码/办公、多模态代理与通用推理：SWE-bench Pro 62.5、CoWorkBench 73.9、Toolathlon Verified 73.5、AndroidWorld 84.5。
Microsoft AI / MAI·国际
Microsoft AI 将 MAI-Thinking-1 定位为面向复杂企业任务的推理模型——以成本高效的推理覆盖密集企业任务，在同级（weight class）数学、知识与编码上达到 SOTA。本次发布可核验的评测以数学与智能体编码为主：AIME 2025 97.0%、AIME 2026 94.5%（散文明文），SWE-Bench Pro 未报数值，散文以 toe-to-toe with Claude Opus 4.6 定位。
Alibaba / Qwen·国内
发布文以“智能体新前沿”为题，将 Qwen3.7-Max 定位为面向智能体时代的新一代旗舰（经阿里云百炼 API 提供，在 Claude Code/OpenClaw/Qwen Code 间泛化）。40 余项评测覆盖智能体编码、工具与办公场景及数理推理，亮点为 HMMT 2026 二月场 97.1 与 SWE-bench Verified 80.4。
DeepSeek·国内
本发布含 2 个变体，各变体规格见模型详情。
DeepSeek 发布 V4 预览版「迈入百万上下文普惠时代」，V4-Pro 为旗舰：1M 上下文、思考/非思考双模式、reasoning_effort high/max。评测覆盖推理、编码、智能体与百万级长上下文，亮点如 GPQA Diamond 90.1%、Codeforces 3206。
Moonshot AI / Kimi·国内
Kimi K2.6 是月之暗面的开源编码旗舰（Advancing Open-Source Coding），主打长程编码与代理蜂群（300 子代理 / 4000 步）。评测横跨编码、代理、数学与视觉：SWE-bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0（Terminus-2）66.7、HLE-Full w/ tools 54.0。
Google DeepMind / Gemini·国际
本发布含 4 个变体，各变体规格见模型详情。
面向本地运行的开放权重模型，支持推理与工具调用；本变体输入能力和上下文按官方发布页记录。
Xiaomi / 小米·国内
MiMo-V2.5-Pro 是小米万亿级参数旗舰混合专家大模型，总参数 1.02T，激活 42B，支持 100 万 token 上下文。评测全面对标国际前沿：MMLU 89.4、GSM8K 99.6、MATH 86.2、SWE-bench Verified 78.9%、C-Eval 91.5、BBH 88.4。
Google DeepMind / Gemini·国际
Google 将 Gemini 3.1 Pro 定位为「为最复杂任务打造的更聪明模型」，基于 Gemini 3 Pro，发布时为 preview（thinking 档 low/medium/high）。已收录 19 项评测横跨推理、代码、多模态与长上下文：亮点 GPQA 94.3%、SWE-bench Verified 80.6%。
StepFun / 阶跃星辰·国内
发布文将其定位为“快、准、稳”的智能体智能模型（Apache 2.0 开源，196B 总参/约 11B 激活稀疏 MoE，MTP-3，256K 上下文）。16 项评测以智能体搜索、数学与编码为主，亮点为 HMMT 2025 二月场 98.4 与 AIME 2025 97.3。
Moonshot AI / Kimi·国内
发布文以“视觉智能体智能”为题，将 K2.5 定位为在 K2 基础上经 15T 视觉+文本混合语料继续预训练的原生多模态模型，Agent Swarm 最多 100 个子智能体/1500 步。45 项评测覆盖视觉理解、视频、智能体搜索与编码，亮点为 OCRBench 92.3 与 BrowseComp（Agent Swarm 模式）78.4。
Z.ai / 智谱 GLM·国内
发布文以“推进编码能力”为题，将 GLM-4.7 定位为编码与智能体任务导向的模型，支持交错/保留/回合级思考模式。17 项评测覆盖数理推理、代码智能体与通用智能体，亮点为 HMMT 2025 二月场 97.1 与 τ²-Bench 87.4（SWE-bench Verified 73.8）。
Google DeepMind / Gemini·国际
Gemini 3 Flash 以「为速度打造的前沿智能」为定位发布，上线即为 Gemini 应用与搜索 AI Mode 默认模型（发布时为 preview）。已收录 25 项评测横跨推理、代码、多模态与 Agent：亮点 AIME 2025（带代码执行）99.7%、SWE-bench Verified 78%。
DeepSeek·国内
本发布含 2 个变体，各变体规格见模型详情。
DeepSeek 官方将 V3.2 正式版定位为「强化 Agent 能力、融入思考推理」，是 DeepSeek 首个将思考与工具调用融合的模型。已收录 26 项评测覆盖数学竞赛、代码、知识与工具/Agent 使用：亮点 AIME 2025（Thinking）93.1、Codeforces（Thinking）2386。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Gemini 3 发布以「智能新纪元」为题呈现，Gemini 3 Pro 为旗舰型号（发布时 preview）。已收录评测横跨推理、代码、多模态与 Agent：亮点 LMArena 1501 Elo、AIME 2025（带代码执行）100%。
Moonshot AI / Kimi·国内
月之暗面将 Kimi K2 Thinking 定位为思考型智能体（thinking agent），通过同时扩展思考 token 与工具调用步数推进测试时扩展前沿，可跨数百步规划、推理、执行与调整，全部评测结果以 INT4 QAT 精度报告。已收录评测覆盖通用推理、数学、智能体检索、编码与终端等领域，HLE 带工具 44.9（Heavy Mode 51.0）、SWE-bench Verified 71.3。
Z.ai / 智谱 GLM·国内
智谱将 GLM-4.6 定位为具备高级 Agentic、推理与编程能力的模型，上下文由 128K 扩展至 200K，推理中可交织工具调用。评测以编码与智能体为主，亮点如 CC-Bench 对 Claude Sonnet 4 胜率 48.6%、AIME 25 93.9%。
DeepSeek·国内
DeepSeek 将 V3.2-Exp 定位为引入 DeepSeek 稀疏注意力（DSA）、聚焦长上下文训练与推理提效的实验性版本，训练设置与 V3.1-Terminus 严格对齐、公开评测表现基本持平，API 价格同步下调超 50%（页面未给出具体单价）。已收录评测覆盖通用知识、数学推理、代码与中英文检索等领域，Codeforces Div1 2121、AIME 2025 89.3。
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3-Max 发布以「大就是好（Just Scale it）」为题，Instruct 为超 1T 总参 MoE 旗舰（36T 预训练 tokens、全局 batch 负载均衡损失，ChunkFlow 支持 1M 长上下文训练）。已收录 9 项评测：亮点 SWE-bench Verified 69.6、LMArena 文本榜 1430。
DeepSeek·国内
DeepSeek-V3.1 发布文定位为首个混合推理架构模型：同一模型同时服务 deepseek-chat（非思考）与 deepseek-reasoner（思考），主打思考效率提升与 Agent 能力增强。评测分编码代理、搜索代理与思考效率三组：SWE-bench Verified 66、BrowseComp 30、AIME 2025（V3.1-Think）88.4。
StepFun / 阶跃星辰·国内
StepFun 将 Step 3 定位为高性价比的多模态智能模型，以 38B 激活的 MoE 架构与 MFA 注意力 + AFD 并行设计平衡性能与推理成本，并以 Apache 2.0 开源。已收录评测覆盖多模态理解、数学与科学推理、代码等领域，AIME 2025 82.9、MMMU 74.2。
Moonshot AI / Kimi·国内
本发布含 2 个变体，各变体规格见模型详情。
Kimi K2 以「Open Agentic Intelligence」为定位发布，Kimi-K2-Instruct 为后训练的非思考（reflex-grade）MoE 模型（1T 总参/32B 激活）。已收录 32 项评测覆盖代码、数学、知识与 Agent 工具使用：亮点 SWE-bench Verified（Agentic Coding）65.8、MMLU 89.5。
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 4 是 xAI 具备原生工具调用与实时搜索的模型，官方称其为 HLE text-only 子集首个突破 50%（50.7%）的模型。评测集中于数学、科学与编码：AIME'25 91.7%（无工具）、HMMT 2025 90%、GPQA 87.5%、ARC-AGI-2 15.9%（闭源 SOTA）。
Tencent / 腾讯混元·国内
本发布含 4 个变体，各变体规格见模型详情。
腾讯混元以「细粒度 MoE、80B 总参/13B 激活」开源 A13B 系列，Instruct 为指令版（256K 上下文，/think 与 /no_think 双模式，默认慢思考）。已收录 21 项 Instruct 表评测覆盖知识、数学、代码与 Agent 工具调用：亮点 AIME24 87.3、GPQA Diamond 71.2。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Gemini 2.5 Flash 是 Gemini 2.5 家族 GA 扩容公告中的主力 Flash 档模型，默认开启思考并同时报告非思考配置。评测覆盖科学/数学/编码/事实性/视觉与多语言：思考配置 GPQA Diamond 82.8%、AIME 2025 72.0%、MRCR v2 8-needle（1M）21.0%。
MiniMax·国内
MiniMax 稀疏混合专家大语言模型，支持 245K 超长上下文窗口与万级汉字复杂指令遵循。
Xiaomi / 小米·国内
MiMo-7B-RL 是小米开源的 7B 强化学习对齐大模型，在 MMLU 达到 70.3 分，MATH-500 71.2 分，GSM8K 87.8 分，显著强化长思维链与代码数学逻辑能力。
Alibaba / Qwen·国内
本发布含 8 个变体，各变体规格见模型详情。
Qwen3 以「Think Deeper, Act Faster」发布，Qwen3-235B-A22B 为混合思考 MoE 旗舰。评测覆盖推理、编码与多语言，亮点如 ArenaHard 95.6%、AIME'24 85.7%。
Meta / Llama·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文称 Maverick 为 Llama 4 herd 中的主力多模态模型（17B 激活、128 专家、400B 总参，MoE 架构）。评测覆盖多模态理解、知识、代码与克丘亚语翻译，亮点为 DocVQA 94.4 与 ChartQA 90.0（LMArena Elo 1417 归属于实验性聊天版本）。
Google DeepMind / Gemini·国际
谷歌将 Gemini 2.5 Pro 实验版定位为其最智能的 AI 模型与 2.5 系列首个思维（thinking）模型，原生多模态并配备 1M token 上下文窗口（200 万即将推出）。已收录评测覆盖推理、代码、长上下文与多模态理解等领域，HLE 无工具 18.8%、SWE-bench Verified 63.8%。
Tencent / 腾讯混元·国内
腾讯混元-T1 正式版定位为业内首个超大规模混合 Mamba 推理模型（TurboS 混合 Transformer-Mamba MoE 底座，96.7% 后训练算力用于强化学习）。已收录 14 项评测覆盖知识、数学、代码与中文能力：亮点 MMLU-Pro 87.2、AIME24 78.2。
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 3 被 xAI 定位为开启『推理代理时代』的 Beta 模型，主打 (Think) 深度推理配置并曾以代号 chocolate 登顶 LMArena。评测覆盖推理、编码、多模态理解与长上下文 RAG：AIME'25 93.3%、GPQA 84.6%、LCB 79.4%、Chatbot Arena 1402 Elo、LOFT（128k）83.3%。
DeepSeek·国内
深度求索开源的纯强化学习驱动推理大模型，开创性采用大规模强化学习与多阶段冷启动蒸馏技术，在数学竞赛、代码工程与复杂推理任务上达到与 OpenAI o1 相当的前沿水准。
Moonshot AI / Kimi·国内
月之暗面面向深度推理的长思维链强化学习大模型，在数学奥林匹克、复杂编程与视觉长程推理任务上展现出突破性表现。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
发布文称其为面向智能体时代（agentic era）的 Gemini 2.0 家族首个模型。13 项评测横跨知识、代码、数学、多模态与长上下文，亮点为 Natural2Code 92.9% 与 MATH 89.7%。
Alibaba / Qwen·国内
本发布含 5 个变体，各变体规格见模型详情。
Qwen2.5 发布文以「A Party of Foundation Models」呈现全家族，72B-Instruct 为其中最大开源指令模型（稠密解码器，18T 预训练 tokens）。已收录 14 项评测覆盖知识、数学、代码与对齐：亮点 GSM8K 95.8、MMLU-Pro 71.1。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。