OpenAI 用专业人工译者把 MMLU 测试集译成 14 种语言（含简体中文）的多语种知识基准
OpenAI 用专业人工译者把 MMLU 测试集译成 14 语种，4 选项准确率（随机基线 25%）；国内厂商引用的「多语言/中文能力」常指其 ZH_CN 子集，读分前先确认具体语种口径。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 11 场模型发布（收录 15 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。
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。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 将 Claude Opus 4.7 定位为在高级软件工程上较 Opus 4.6 显著提升、最难任务上增益尤为明显的旗舰模型，同时大幅增强视觉分辨率；这也是首个按 Project Glasswing 分级防护方案发布的模型。已收录评测覆盖智能体编码与终端、长上下文检索、计算机操作、网络安全与多学科推理等领域，SWE-bench Verified 87.6、GPQA Diamond 94.2。
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。
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%。
Anthropic·国际
Claude Opus 4.6 是 Anthropic 的旗舰模型，引入多档推理努力（low/medium/high/max）、自适应思考、上下文压缩与 1M 上下文 beta。评测覆盖代理编码/工具/搜索、法律与多语言问答：SWE-bench Verified 80.8、GPQA Diamond 91.3、ARC-AGI-2 68.8、BrowseComp 84.0。
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%。
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%。
Anthropic·国际
发布文将其定位为小而快的轻量档模型，编码性能接近 Sonnet 4 而成本仅约三分之一、速度快一倍以上，计算机使用能力超过 Sonnet 4。11 项评测覆盖智能体编码、工具调用、计算机使用与数学推理，亮点为 AIME 2025（带 Python 工具）96.3% 与 τ2-bench Telecom 83.0%。
Anthropic·国际
Anthropic 发布 Claude Sonnet 4.5，作为面向编码、智能体与计算机使用场景的 Sonnet 新代，并同步推出 Claude Agent SDK。评测集中在编码与智能体领域，亮点如 SWE-bench Verified 77.2%（并行测试期计算 82.0%）、τ2-bench Telecom 98.0%。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Claude 4 发布中 Opus 4 为最强编码档，采用混合模式（近即时回答 + 扩展思考，扩展思考可与工具调用结合，beta）。已收录 22 项评测覆盖软件工程、终端、知识与 Agent：亮点 SWE-bench Verified 72.5%（并行测试时计算 79.4%）。
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。