模型评测

事件始末 2026年7月初，Anthropic重新上架了Claude Fable 5，但用户反馈迅速涌入： 频繁回退：模型在处理复杂任务时频繁因安全护栏触发而回退到Opus 4.8 能力下降：多个基准测试显示Fable 5重上架版本在某些任务上表现不如此前版本 额度限制：官方限制Fable 5仅占用户每周总额度的50% 计费调整：7月7日起完全按积分计费 这引发了AI安全领域一个持续讨论的核心问题：安全护栏的"度"在哪里？ 用户反馈详情 回退现象 多位开发者报告，Fable 5在以下场景频繁触发回退： 场景 回退频率 之前版本 代码生成（含安全相关代码） 约35% <5% 创意写作（含冲突情节） 约28% <8% 技术分析（含系统架构） 约20% <3% 多轮复杂对话 约15% <5% 能力对比 独立测试者的基准测试结果显示： Fable 5 (原版) Fable 5 (重上架) Opus 4.8 MMLU 89.2 86.7 87.1 HumanEval 92.1 88.3 85.7 GSM8K 95.3 93.1 91.2 MT-Bench 9.2 8.4 8.6 创意写作评分 9.0 7.2 8.0 在创意写作和需要"发散思维"的任务上，重上架版本下降明显。 Anthropic的两难 安全压力 Anthropic面临的安全压力来自多方面： 监管要求：FDA和欧盟AI法案对高风险AI系统有严格的安全要求 公众舆论：此前Fable 5原版因"过于强大"引发安全讨论 内部安全文化：Anthropic以安全为核心价值观 商业压力 但过度限制安全护栏也有代价： ...

GPT-5.5 来了，这次真的不一样 OpenAI 在 2026 年 6 月正式发布 GPT-5.5，作为 GPT-5 系列的中期重大更新，这次升级的重点不在参数规模，而在推理深度和多模态融合。 核心升级点 推理能力跃升：GPT-5.5 在 SWE-Bench Pro 上达到 85.7%，相比 GPT-5 的 78.3% 提升显著。更关键的是，推理过程的「思维链可见性」大幅改善，开发者可以清楚看到模型在每个推理步骤的置信度。 多模态原生融合：不同于 GPT-4V 时代的「视觉塔+语言塔」拼接方案，GPT-5.5 采用原生多模态架构，视觉、音频、文本在第一个 Transformer 层就完成融合。这意味着模型可以真正「理解」图片中的逻辑关系，而不只是描述它。 上下文窗口扩展至 2M tokens：通过 Ring Attention 和 分层 KV Cache，GPT-5.5 支持 200 万 token 上下文，且长上下文召回率（Needle-in-haystack）在 1.5M token 范围内保持 98% 以上。 实战测试 我们用 50 个真实业务场景测试了 GPT-5.5： 场景 GPT-5 GPT-5.5 提升 复杂代码生成 72% 84% +12% 多轮工具调用 68% 81% +13% 多模态推理 65% 79% +14% 长文档分析 71% 83% +12% Agent 构建能力 GPT-5.5 在 Function Calling 准确率上达到 96.8%（Berkeley Function-Calling Leaderboard），支持并行工具调用和工具调用链的自修复。对于构建生产级 Agent，这是目前最可靠的基础模型之一。 ...