发布 9 天登顶，418 天还在榜上：32 款模型的年龄与排名，相关性只有 -0.11

一个很贵的直觉：新模型更强

国产多模态的发布节奏已经快到按周计算。9 月底到 10 月上旬，四款前沿模型接连发布；每一场发布会都在暗示同一件事：新的比旧的强。

这个直觉很贵。如果它为真，采购策略应该是“永远等下一代”；如果它为假，等待的成本就是白付的。所以我们把 32 款模型的发布日期和综合分放在一起，算了一次年龄与排名的关系。

结论先给：年龄与综合分的皮尔逊相关系数是 −0.11，R² = 0.012。年龄只能解释 1.2% 的分数方差，剩下 98.8% 与年龄无关。 每老 100 天，综合分平均低 0.6 分——在 19.3 分的全站跨度里，这个斜率几乎是一条平线。

数据：9 天到 418 天

基准日 2026-10-18。32 款模型的首次发布日期从 2025-08-26 到 2026-10-09，年龄跨度 9 到 418 天。

最新的五款：

模型	发布	年龄	总榜	综合	证据
Qwen3.8-Max	2026-10-09	9 天	#1	95.4	B
Qwen3.8-Flash	2026-10-09	9 天	#13	87.5	B
GLM-5.3	2026-10-02	16 天	#4	92.4	B
DeepSeek-V4.1-Flash	2026-09-30	18 天	#12	87.9	B
NeuroXess-N1	2026-08-20	59 天	#30	77.2	C

最老的五款：

模型	发布	年龄	总榜	综合	证据
MiniCPM-V 4.5	2025-08-26	418 天	#26	79.6	A
Qwen3-Omni-30B	2025-09-22	391 天	#10	88.9	A
Emu3.5	2025-10-30	353 天	#24	80.5	A
Hunyuan-Vision	2026-01-18	273 天	#15	85.2	B
DeepSeek-OCR 2	2026-01-27	264 天	#20	81.9	A

两端的画面已经说明问题：最新的一款是第 1，最老的一款是第 26；但第二老的是第 10，第三老的是第 24。 年龄和名次没有整齐的走向。

回归：一条几乎水平的线

把年龄作横轴、综合分作纵轴，做一元线性回归：

• 斜率：−0.0060 分/天，即每 100 天 −0.60 分；
• 截距：86.0；
• 皮尔逊 r：−0.110；
• R²：0.012。

R² = 0.012 的意思是：年龄只解释 1.2% 的分数方差，剩下 98.8% 来自别的东西。 年龄与排名（而不是分数）的相关也只有 +0.015，基本是噪声。

前 10 名的平均年龄是 163 天，后 10 名（第 23–32）是 179 天。相差 16 天，不到全站年龄跨度（409 天）的 4%。“新模型整体更强”在数据上不成立；至少在这 32 款里不成立。

四个反例，比回归更有说服力

Qwen3.8-Max：9 天登顶。 发布 9 天、证据 B、综合 95.4。它证明“新”可以带来真实的能力跃迁：感知 97、图表 96、Agent 95。但它同时也是“新”的风险样本——9 天不足以积累第三方复现与稳定性观察。

豆包 Seed 2.0 Pro：245 天，第 2。 它比 Qwen3.8-Max 老 236 天，综合只低 0.2 分，证据 A。在“可信的第一”这个位置上，老模型反而更稳。

Qwen3-Omni-30B：391 天，第 10。 一款快 400 天的模型仍在总榜前十，因为它是全站少数把音频纳入统一接口的开源选择（Apache-2.0，30B-A3B）。它的排名不是靠“新”，是靠“唯一”。

MiniCPM-V 4.5：418 天，第 26。 全站最老的模型，综合 79.6，但在端侧 8B、中文 OCR、Apache-2.0 这个组合里，它仍是可用的低成本选项。老模型没有消失，它退到了一个更窄的场景。

还有两个中间样本：Emu3.5（353 天，第 24）仍是生成第一（98）；DeepSeek-OCR 2（264 天，第 20）仍是文档第一（99）。它们说明：年龄会把模型从“通用榜”推向“单项榜”，但不会把它从榜单上抹掉。

真正与年龄相关的，是证据等级

年龄与综合分几乎无关，但与证据等级中度相关（r = 0.438，按 A=2/B=1/C=0 编码）。三组的平均年龄：

证据	数量	平均年龄	平均分	平均名次
A	14	213 天	87.4	12.6
B	16	125 天	83.9	18.4
C	2	86 天	77.7	28.5

新模型更可能是 B 或 C，因为：

• 缺第三方独立复现；
• 缺 30 天以上的稳定性观察；
• 缺社区在真实场景里的失败案例；
• 厂商自报基准尚未被外部校准。

时间买不到分数，但买得到证据。 这是年龄在这张表里唯一稳定的效应：老模型不一定更强，但更可能被验证过；新模型不一定更弱，但更可能需要你自己承担验证成本。

为什么年龄与分数几乎无关

四个原因，每一个都比“新”更接近能力的真实来源：

1. 能力跃迁是离散的，不是按天累积的。 Qwen3.8-Max 比 Qwen3.5 强 0.8 分，不是因为晚了 7 个月，而是因为换了训练配方与规模。发布日期间隔与能力增量之间没有连续函数。

2. 厂商会静默更新。 同一个模型名下的版本可能已经换过权重、数据或推理栈；发布日期只记录“首次公开”，不记录“最后一次更新”。用发布日期衡量新旧，本身就有测量误差。

3. 榜单是证据快照，不是时间衰减函数。 本站的综合分是 8 维证据的加权映射，不会因为模型“老了”自动扣分；它扣的是证据等级，而证据等级与年龄只是相关，不是因果。

4. 样本有选择偏差。 能留在榜上的老模型，本来就是“还没被替代”的模型；被替代的老模型已经不在样本里。幸存者偏差会压低年龄的真实负效应——如果样本包含已下架模型，年龄的相关性可能更强。

采购含义：不要用“发布多久”做筛选

年龄与排名无关，但年龄与风险有关。采购时应该把“新/旧”拆成三个独立问题：

问题一：能力是否匹配场景？ 用维度分与形状，不用发布日期。

问题二：证据是否足够？ 新模型问“有没有第三方复现/30 天稳定性”；老模型问“有没有近 6 个月的更新/漏洞修复”。证据等级比年龄更接近风险。

问题三：维护与退出是否有保障？ 新模型问“下一代路线图/弃用政策”；老模型问“是否还在维护/社区是否活跃/权重是否可下载”。

一个实用的替换：

• 把“只考虑 2026 年发布的模型”换成 “只考虑证据 A 或 B，且有明确维护承诺的模型”；
• 把“最新版本”换成 “最后一次更新时间”；
• 把“等下一代”换成 “当前版本能否通过我的 POC”。

等待下一代是有成本的。 如果你的场景今天就需要文档 95、¥0.6 的模型，DeepSeek-V4.1-Flash 已经在了；等到“下一代”可能只多 0.5 分，却多付三个月的人力与机会成本。

关于“半衰期”的一个警告

市面上开始出现“模型能力半衰期 6 个月”之类的说法。用一次横截面数据算不出半衰期。 半衰期需要同一批模型在多个时间点的分数，观察它们相对前沿的衰减；我们只有 2026-10-18 的一次快照。

所以本文能说的只有：

• 年龄解释 1.2% 的分数方差；
• 年龄与证据等级中度相关（r = 0.438）；
• 老模型更可能退到单项榜，而不是消失；
• 新模型更可能需要你承担验证成本。

任何没有时间序列的“半衰期”，都是营销。 包括本文如果这么说的话。

边界

• 发布日期是首次公开日期，不是最后更新日期。 静默更新会让“年龄”失真。
• 32 款是幸存样本。 已下架/未入榜的模型不在样本里，年龄的真实效应可能被低估。
• 相关不是因果。 年龄与证据等级相关，不代表“等久了证据就会变好”；也可能是厂商规模、披露习惯与发布策略的混杂。
• 综合分不是能力真值。 它是 8 维证据的加权映射；年龄与它的关系，只说明这张表的时间结构。

复现

年龄 = 2026-10-18 − release，按天计算；相关与回归用 32 款全样本；证据均值按 A/B/C 分组。发布日期、分数与证据等级均来自 src/data/models.ts，脚本随站点数据发布；扩样后重跑，年龄表随更新日志更新。

如果这篇文章只留下一句话：新模型带来的是上限，老模型带来的是证据。 采购要的是“可验证的能力”，不是“最近的发布日期”。