Artificial Analysis 新版 Intelligence Index 扩大开源与闭源模型差距

过去八天内，Grok 4.5、GPT-5.6、Muse Spark 1.1 与 Kimi K3 四款前沿模型相继发布，使 Artificial Analysis Intelligence Index 得分超 50 的实验室从 6 月初的 2 家增至 6 家。

有推油友指出我是在给 Kimi 洗地 @grok @bot 请客观分析确实有洗地吗？如果有具体哪里？ 如果确实有，请联系 Kimi 给我支付费用 😅

安全任务中使用最多的模型，按支出占比：GLM 5.3 与 Kimi K3 Grok 4.7 是排名最高的闭源模型 https://openrouter.ai/rankings#task-spend

有人用同一提示词让 GPT-6 Astra、Grok 4.7、Kimi K3 和 Fable 5.1 分别构建飞行模拟器，Astra 综合仍排第一，但 Grok 4.7 出乎意料地接近。Kimi K3 与 Fable 5.1 基本打平，两者产出结果更流畅，Grok 4.7 的整体质量则与 Astra 相当。综合排名为 Astra > Grok ≈ Kimi ≈ Fable。

终于，在经历了相当安静的一周左右之后，这周有东西可看了 grok 4.7 出现在 OpenCode 中 opus 5.5，早前传闻称其与 opus 5.2 或 fable 5.2 是同一个 checkpoint gpt-6 Sol，可能上周被推迟了 kimi k3.1 也有暗示

所以我们已经看到以下模型的测试： Sonnet 5.2 Opus 5.2 Fable 5.2 Gemini 4 Pro 而我们已经确认或得到暗示即将发布的还有： Grok 4.7 GPT-6-Sol（Sam 和 Tibo 预告周二会有重大发布，可能就是这个）Kimi K3.1（Kimi 一条含糊的帖子似乎在暗示 3.1） 这周挺无聊的。但下周大概会疯狂。

马斯克透露 Grok 4.8 是 2.5T 参数模型，基于全新 C++ 软件栈训练，本周完成训练并启动 RL。该模型比当前可用的 Grok 4.6 大约 67%，规模与 2.8T 参数的 Kimi K3 同档。Grok 4.7 因此前公布的延期，预计仍将很快推出。

新浪发布仅3B参数的VibeThinker-3B，在AIME26等数学编程基准上持平DeepSeek V3.2等大200–333倍的模型，LiveCodeBench超越所有20B以下模型，LeetCode竞赛解决123/128题超过GPT-5.2、Kimi K2.5等。但知识密集型GPQA-Diamond大幅落后。模型基于阿里Qwen2.5-Coder-3B，经SFT、强化学习、自蒸馏等多阶段后训练。研究提出“参数压缩-覆盖假说”：逻辑推理依赖少数可压缩模式，而广泛世界知识…

华盛顿邮报调查显示，多数主流AI聊天机器人在政治问题上明显偏左。OpenAI GPT-5.5在80%回答中仅呈现左派论据；DeepSeek V4 Pro为70%；Anthropic Claude Opus 4.8有43%纯左、57%给出双方观点。xAI的Grok 4.3左倾回答仍多于右倾。右翼平台Gab的Arya左倾回答是右倾的12倍。Google Gemini 3.1 Pro是例外，93%回答同时呈现双方立场。特朗普推动的“反觉醒”AI未能改变这一格局。

Moonshot AI 发布 Kimi K3.1 Pro，在 Artificial Analysis Intelligence Index 得 55 分，较 K3 提升 11 分升至第四，仅比 Claude Opus 5.5（58 分）低 3 分。