本期头条 · LEAD ESSAY
榜首换人了；榜尾多了八款“没有第二名”的模型
30 秒速答
先把结论摆出来：这一期榜首换人了。Qwen3.8-Max 拿到 95.4，豆包 95.2，差 0.2 分。本站方法明确规定 0.5 分以内视为同一档，所以这不是“反超”，是并列。我们把 8 个维度权重各扰动 ±30% 跑了 2000 次：91.1% 的合理权重组合下 Qwen 在前，8.9% 的情况下豆包在前。
真正区分它们的不是分数，是确定性。Qwen3.8-Max 的证据等级是 B——厂商自报基准、发布不足 30 天、没有第三方独立复现；豆包是 A。这正是本站把能力风险和确定性风险分开报价的原因：综合分告诉你谁更强，证据等级告诉你这个“更强”在下个版本还成立的概率。要签三年期合同，用 0.2 分换 A 级证据通常是划算的。
两次扩样：从技术形态冷门到行业场景冷门
第一次扩样进的两款改善的是“技术形态覆盖”：书生 InternVL 4.0（85.0，第 16）是开源社区下载量前三、中文横评却几乎不收的感知专精模型（感知 96、MIT、A 级证据）；脑虎 NeuroXess-N1（77.2，第 30）把 EEG/fNIRS 神经信号与图像、文本放进同一 token 空间，是全站唯一的 C 级证据模型，也是“神经信号解码”场景里唯一的参赛者。第二次扩样进的六款补上另一半——行业场景：海康观澜（安防监控，C 级）、云从从容（人像识别）、紫东太初（学院派全模态）、蚂蚁百灵（金融，中文 92）、京东言犀（电商商品图）、网易伏羲（游戏内容）。六款总分全部在 76–81 区间，但在各自场景里都是“没有第二名”。证据光谱随之变成 14A / 16B / 2C——证据等级这一列第一次有了区分度。
四款前沿新模型里最有业务价值的是 DeepSeek-V4.1-Flash。¥0.6/百万输出 token、文档维度 95、开源权重，在 1024px 每千张图成本曲线上是第二便宜的点（¥0.54），而排在它前面的那款（MiniCPM-V 4.5，¥0.45）综合分只有 79.6。它第一次把“便宜”和“能打”压进了同一款模型。代价同样清晰：视频 78、生成 72，不要拿它做视频问答或创意生成。
13 个月，头部模型怎么涨分
编辑部映射分，按同版权重回算历史版本；不是厂商发布时的官方跑分。
← 左右滑动查看完整走势 →
| 前五名 | 综合 | 文档 | 视频 | ¥/M |
|---|---|---|---|---|
| 通义千问 Qwen3.8-Max S+ | 95.4 | 97 | 93 | ¥18 |
| 豆包 Seed 2.0 Pro S+ | 95.2 | 96 | 96 | ¥15 |
| 通义千问 Qwen3.5-397B-A17B S+ | 94.6 | 97 | 92 | ¥12 |
| 智谱 GLM-5.3 S | 92.4 | 94 | 88 | ¥9 |
| Kimi K3 S | 92.3 | 92 | 90 | ¥16 |
文档专精模型，为什么只排第 20
DeepSeek-OCR 2 的综合分只有 81.9，排第 20，但它的文档维度是 99——全场最高，比 Qwen3.8-Max 的 97 还高两分。原因不神秘：它不支持视频、音频、生成与 Agent，模态覆盖窄，8 维加权后被“生态与覆盖”拖了下来。
这正是加权榜单的价值，也是它的陷阱。如果你的业务只有文档，就该把文档权重从 18% 提到 60%，把视频、生成、Agent 归零。这样重算，DeepSeek-OCR 2 会进入前三，而综合冠军可能掉出前五。榜单不是判决，是一组可修改的假设。对专精模型，正确的做法是直接看维度排序——总榜名次对它们的预测力接近于零。
怎么用这份榜单
- 先按你的主场景排序：文档、视频、Agent，三选一。
- 只看前三名的维度分，不要看综合分。
- 场景偏冷门时（工业质检、古籍竖排、神经信号、开源部署），先查对应的小天梯榜与冷门模型矩阵，再回总榜。
- 用选型器把部署、预算与中文要求加进去，候选通常会缩到 3–5 款。
- 拿 50–100 个真实样本做 PoC，记录失败率与单次成本；与榜单冲突时，以 PoC 为准。
我们刻意不做“唯一正确答案”。同一批分数，换一组权重，冠军就会换人——这一期 91.1% 对 8.9% 的扰动结果就是证据。这不是榜单不稳定，而是选型本来就应该这样。
