进入6–7月，前沿模型团队密集的进行了新版本迭代，在1个多月的时间里有10家头部模型团队发布新模型：Claude Fable 5、智谱GLM 5.2、字节Seed 2.1 pro、腾讯hy、xAI Grok 4.5、OpenAI GPT-5.6-sol-pro、TML inking、Moonshot Kimi K3、阿里Qwen3.8-max-preview以及Google Gemini 3.6-flash。

xbench对这一批新模型从科学推理（ScienceQA）、多模态（BabyVision）、真实复杂长程任务（OneMillion-Bench）三个维度进行评测并更新了leaderboard。

结合本期重点模型的公开发布信息与榜单数据，本轮迭代呈现出三个较为清晰的方向：

· 分数上限未有明显突破，头部模型开始追求更高性价比。Grok-4.5用GPT-5.5 Pro约1/35的成本（500题$13.5 vs $471.1）逼近其ScienceQA分数（72.4 vs 73.0）；GPT-5.6-sol-pro用1/6的单价（$5/$30 vs $30/$180）把旗舰能力下放到中端价位。榜首仍是Claude Opus 4.8（76.4），本月新模型集中挤在68–73分区间，性价比提升，BoN上限仅提升1分。

· 原生多模态成为新旗舰的出厂标配。阿里Qwen3.8第一次把图像/视频/文档并进 2.4万亿参数的主力旗舰（BabyVision 64.95分，跨入第一梯队），Kimi K3、Thinking Machines Lab inkling也都是原生多模态；GPT-5.6多模态推理两代累计上涨94.0%，字节Seed 2.1继续把多模态推理的SOTA握在手里。多模态推理正从看图回答走向复杂任务的执行链条。

· 开源模型竞赛冲上近3万亿参数，国产开源模型处于全球领先地位。一周之内Moonshot Kimi K3（2.8T总参）与阿里Qwen3.8（2.4T）接连把开源阵营的参数体量推到2.4~2.8万亿一档。而前OpenAI CTO Murati的Thinking Machines Lab首款模型inkling（975B总参、41B激活）同为开源，被外媒定位为领跑美国实验室，但仍落后中国的各大开源模型。在开源模型的比拼上，国产模型暂时领先。

xbench-ScienceQA Leaderboard更新

本期的新模型，均在ScienceQA榜单上进行更新。榜首仍是Claude Opus 4.8（76.4/BoN 84.0），本月新模型高度密集地落在68–73分区间：Claude Fable 5（73.4）、Grok-4.5（72.4）、Kimi K3（71.2）、GPT-5.6-sol-pro与Seed2.1 Pro（并列71.0）、Qwen3.7-max（70.8）、Qwen3.8-max-preview（68.0）均在此区间。Thinking Machines Lab inkling（59.2）的第一款模型，位于第11位。头部竞争的密度明显上升，但BoN并未实现新突破。

本期新上榜模型分数更新概览如下：

· Claude Fable 5：73.4/BoN 83.0，原始分位居全榜第2，但因bio分类器拒答叠加降智，实测反而低于上一版Opus 4.8（76.4），是Claude四代里第一次代际回调。

· Grok-4.5：72.4/BoN 81.0，去重后排名第3，较Grok-4提升+7.4；500题成本仅$13.5，约为GPT-5.5 Pro的1/35，头部模型开始进入价格比拼。

· Kimi K3：71.2/BoN 86.0，去重后升到第5、国产第一；较上代Kimi K2.6（65.8/79.0）均分+5.4、BoN+7.0，其中BoN 86.0更是全榜最高，2.8万亿参数开源旗舰。

· GPT-5.6-sol-pro：71.0/BoN 78.0，比上一代GPT-5.5 Pro（73.0）降低了2.0，但单价降到旗舰的1/6（$5/$30 vs $30/$180），提供更高性价比。

· 字节Seed2.1 Pro：71.0/BoN 77.0，排名第6，较上代Doubao-Seed-2.0-pro提升+1.8，但代价是更高的output tokens 16537.6、以及更高的延迟332.22s。

· Qwen3.8-max-preview：平均分68.0但BoN冲到81.0（与Grok-4.5持平，国内仅次于Kimi K3），响应从84.77s拉长到153.70s。

· 腾讯 hy3：66.6/BoN 80.0，排名第8，较hy3-preview一次跳升+9.8；500 题仅$2.8，是全榜最低价。

·Gemini 3.6 flash：65.6/BoN 73.0，Google本月更新的Flash档位模型；分数上低于前代gemini-3.5-flash，但以12.9s的响应位列全榜最快一档。

· GLM-5.2：64.6/BoN 77.0，较上代 GLM-5（65.0/80.0）平均分基本持平。

· inkling：59.2/BoN 72.0，全榜第11，是Thinking Machines Lab首款开源多模态模型。

OpenAI在纯知识推理上进入平台期，进步更多体现在性价比提升上。

· GPT-5.6-sol-pro在ScienceQA拿到71.0分。比自家GPT-5.5 Pro（73.0）反而略低2.0，与Seed2.1 Pro并列，落在grok-4.5（72.4）、Gemini 3 Pro（71.6）、Kimi K3（71.2）之后，距榜首差5.4。回看历代曲线，GPT-5（high）64.4→5.1 62.6（回退 1.8）→5.2 65.2→5.4 Pro 72.2（跳+7.0）→5.5 Pro 73.0（+0.8）→5.6 71.0，真正的跃迁只发生在5.2到5.4 Pro那一跳，此后曲线走平，BoN半年稳定在74-80区间。

· 近乎相同的表现，GPT-5.6-sol-pro比旗舰模型GPT 5.5 pro价格大幅下降。它的500题花费$158.72，是GPT-5.5 Pro（$471.11）的约1/3，降了66.3%；input单价从$30降到$5、output单价从$180降到$30，都只有上一代旗舰的1/6。分数下降2.7%，但价格降到1/6，这是一次用中端价位，实现高端推理能力。

· 提分没有靠拉长响应时间。GPT-5.6-sol-pro平均135.94秒答完一题，比GPT-5.5 Pro的156.99秒还快13.4%。需要留意的一点是其token消耗量较大，平均 Output Tokens高达9096.3，接近GPT-5.5 Pro（5192.7）的1.75倍，这也是它虽然单价低、但单题成本没有降到1/6的原因。

Claude Fable 5是四代以来第一次代际回调，增量从分数转向了效率与安全。

· 它的原始分高居全榜第2，实测却低于上一版Opus 4.8，代际曲线首次向下。Fable 5拿到73.4 / BoN 83.0，因拒答机制叠加降智，反而低于Opus 4.8（76.4 / 84.0）。评测中有21道生命科学类题目触发bio分类器拒答，用fallback 到Opus 4.8拟合分数。

· 单次作答退步，但best-of-N依然保持较高分数。Average与BoN的差距从Opus 4.8的7.6扩到9.6，说明模型的作答上限仍在，退步的只是单次答对的稳定性。

· 这一代真正变好的是效率：更快、更省token，价格翻倍却几乎没多花钱。响应16.85s（比Opus 4.8快31%）、平均output 1108.2（少44%）；单价看似翻倍（$10/$50），但500题$26.8仅比Opus 4.8（$25.6）高4.7%，output 减半对冲了单价翻倍。

Grok-4.5在准确率、稳定性、性价比三件事上同时往好的方向走。

· 平均分一次增加+7.4，去重后升到第3，追赶GPT-5.5 Pro。从Grok-4的65.0升到72.4，BoN从78.0升到81.0（+3.0），仅落后GPT-5.5 Pro 0.6分，反超 Gemini 3 Pro（71.6）。

· 稳定性同步收敛，不再出现BoN高、均分偏低的大幅波动。BoN−Avg差值从 13.0收窄到8.6，一次答对与多次采样之间的落差明显变小。

· 分数逼近旗舰模型，成本却只有其1/35。500题仅$13.5，output单价$6是 GPT-5.5 Pro的1/30；响应从227.24s压到52.82s（降76.8%），这一代不是靠拉长推理换分，而是更快更便宜。

字节Seed2.1 Pro分数持续提升，但token消耗量与延迟也在提升。

· 71.0的均分让字节紧贴国际第一梯队，排名第6，国产模型第二（次于Kimi K3 71.2），较上代Doubao-Seed-2.0-pro（high）69.2提升+1.8，紧贴Gemini 3 Pro（71.6），约14个月累计+17.4。

· 代价是token消耗量大幅提升，单题成本反而比上代更贵。平均output 16537.6 tokens（约Fable 5的10倍）、响应332.22s、500题$33.5，比上代$10.2 成本上升不少。模型响应时间一路拉长（116.89 / 233.40 / 227.79 / 332.22s），思考档位可显式切换，本质是用更多token和时间换分。

腾讯hy3用全榜最低的价格，把知识密集任务做进了国产第一梯队。

· ScienceQA 66.6、BoN 80.0，均分入国产前列，上限已达顶尖水平。去重后排名第8，BoN 80.0 已进第一梯队；较hy3-preview版有很大提升56.8→66.6（+9.8）、BoN 72→80（+8.0）。

· 价格极巨优势，500题成本只有同段模型的十分之一量级。input $0.15 / output $0.59，500题仅$2.8（同段DeepSeek-v4-pro $29.4、GLM-5 $9.0），output单价约Doubao-Seed-2.0-pro的1/3。

· 提速与稳定性同步改善，正式版比preview更快也更稳。响应从158.60s压到 79.64s（降49.8%），稳定性BoN−Avg从15.2收窄到13.4。

阿里Qwen3.8-max-preview把能力上限拔到国内顶尖，但均分不升反降、稳定性还没跟上。

· BoN冲到81.0，国内模型第二高分，只比榜首Opus 4.8低3.0。BoN（N=5）与Grok-4.5持平，比上一代Qwen3.7-max的79.0高了2.0，说明模型的能力上限保持持续提升。

· 平均分只有68.0，反而比上一代Qwen3.7-max（70.8）低2.8。也落在kimi-k3（71.2）、Doubao-Seed-2.0-pro（69.2）之下。

· BoN与均分之间13.0分的落差，暴露的是回答一致性、而非能力上限的问题。这是全榜前列最宽的一档，说明模型的作答能力已到位、但单次稳定性欠火候；同时响应从上一代的84.77s拉长到153.70s、几乎翻倍。

Kimi K3用一款2.8万亿参数的开源旗舰，一举拿下ScienceQA的SOTA。

· Kimi K3拿到71.2 / BoN 86.0、去重后升到第5、国产第一，Kimi四代均分一路向上。较上代Kimi K2.6（65.8 / 79.0）均分+5.4、BoN+7.0；四代轨迹 K2 Thinking 51.8 → K2.5 63.2 → K2.6 65.8 → K3 71.2持续爬升，反超Seed2.1 Pro（71.0）、Qwen3.7-max（70.8）登上国产头名。

· BoN 86.0是全榜最高，能力上限已达到第一梯队。高于Gemini 3 Pro（85.0）、Claude Opus 4.8（84.0）；不过均分71.2与BoN之间14.8分的落差，也说明单次作答的稳定性仍有提升空间。

Zhipu GLM-5.2是一次横向持平的迭代，科学推理上未拉开新身位。

· 相对于前代模型，GLM 5.2分数略有下降。GLM-5.2（Thinking+max）平均分64.6 / BoN 77.0 / 300.77s，Zhipu榜位仍由GLM-5（65.0 / 80.0）保留；平均分 −0.4、BoN −3.0。

· 这代模型的优势在coding，并不在科学推理能力上。GLM5.2在测试中花了更多 token、并且也更贵、更慢：响应时间从246.56s拉长到300.77s、平均output从7161涨到10996、单价从$0.57/$2.57抬到$1.40/$4.40。说明其专注的增长场景不在科学推理层面。

Google Gemini 3.6 Flash把Flash档位继续推向更快更省，但分数较前一代Gemini 3.5 Flash反而下降。

· Gemini 3.6 Flash较上一代Gemini 3.5 Flash分数大幅下降。平均分65.6 / BoN 73.0，较上一代Gemini 3.5 Flash（70.0 / 77.0）平均分回落4.4、BoN 降4.0；Flash线三代呈现先升后降的轨迹（Gemini 3 Flash 67.4 → 3.5 Flash 70.0 → 3.6-flash 65.6）。

· 速度与成本是Gemini Flash系列的优势。平均响应12.9s是全榜最快，比3.5 Flash的15.4s再快约16%；output单价从$9降到$7.5，500题仅$1.43，延续 Flash一贯的低价定位。

BabyVision Leaderboard更新

本期BabyVision新增8款多模态模型上榜（Seed2.1 Pro、GPT-5.6-sol-pro、Qwen3.8-max-preview、Claude Fable 5、Grok-4.5、inkling、Kimi K3、Gemini 3.6-flash），集中体现原生多模态成为新旗舰标配的行业主线。榜首由字节Seed2.1 Pro与GPT-5.6-sol-pro几乎并列（66.89% vs 66.75%），Qwen3.8-max-preview首次登场即以64.95%冲上第3，三者与Human baseline（94.10%）仍有明显差距。

· 字节Seed2.1 Pro：66.89%，排名第1、除Human外全榜最高，较上代Doubao-Seed-2.0-pro +4.29，豆包视觉线三代持续登顶。

· GPT-5.6-sol-pro：66.75%，排名第2，较GPT-5.5的54.64%上涨+12.11，两代累计涨幅+94.0%，且价格不变。

· Qwen3.8-max-preview：64.95%，排名第3，距榜首仅差1.94，较自家上代提升+38.5%，第一次把视觉并进主力旗舰。

· Gemini 3.6 flash：60.05%，Google本月更新的Flash档位多模态模型，较上一代Gemini 3.5 Flash（61.86%）小幅回落1.81。

· Kimi K3：49.48%，排名第5，较上代Kimi K2.6（40.21%）跳升+9.27。

· Claude Fable 5：36.60%，排名第6，视觉线四代里最大一跳+13.15，但绝对水平仍在中游。

· Grok-4.5：25.52%，排名第7，较Grok-4的16.20%+9.32，多模态仍是xAI明显短板。

· inkling：21.39%，排名第8，原生文/图/音多模态首测入榜，起点位于开源模型中游。

字节Seed2.1 Pro拿下除Human外的全榜最高分，且性价比很具优势。

· 66.89%继续登顶第1，保持了视觉SOTA的地位。豆包视觉线三代持续爬升（Doubao-seed-1.8 30.20 → 2.0-pro 62.60 → 2.1-pro 66.89），一路把多模态SOTA握在手里。

· 视觉SOTA不仅体现在绝对能力上，也体现在性价比。价格$0.88 / $4.42，低于GPT-5.5 与 Gemini 3.5 Flash。

多模态是GPT-5.6-sol-pro本轮最大的进步，几乎追平榜首。

· 66.75%位列第2，距榜首仅0.14，多模态推理已进入头部梯队。较GPT-5.5 的54.64%上涨+12.11（+22.2%），且价格不变（$5 / $30）。

· 两代累计涨幅94.0%。34.4→54.64→66.75，在ScienceQA分数见顶走平对比，多模态能力提升较为明显。

阿里Qwen3.8-max-preview第一次把多模态并进主力旗舰，起点就在第一梯队。

· 64.95%冲上第3，距榜首仅1.94，把Gemini 3.5 Flash、GPT-5.5甩在身后。仅次于Seed2.1 Pro（66.89）和gpt-5.6-sol-pro（66.75），领先Google的Gemini 3.5 Flash（61.86）、OpenAI 的 GPT-5.5（54.64）。

· 相较过去挂在独立VL系列的做法，这次一次极大的跃升。Qwen3-VL-235B 22.20 → Qwen3.5-397B 43.30 → qwen3.7-plus 46.91 → qwen3.8-max-preview 64.95，一次提升+18.04（相对qwen3.7-plus +38.5%），直接迈进第一梯队。

Claude Fable 5的视觉能力提升是四代模型里面最大的，但绝对性能仍处于榜单中游。

· 36.60%是Claude视觉线四代里最大的一跳。较上代跳升+13.15（Opus 4.5 14.20→4.7 22.94→4.8 23.45→Fable5 36.60），较两代前翻倍有余（+22.40）。

· 但它距榜首差约30个百分点，性价比也落后国内多模态旗舰约一个数量级。$10 / $50 的定价对应的是中游多模态水平，说明即使其有绝对分数上有较大进步，但基数太低仍未进入第一梯队。

Grok-4.5多模态理解处于中下游，相对其推理能力，多模态是明显短板。

· Grok-4.5 25.52%排第7，进步明显但绝对水平依旧不高。较Grok-4的16.20%提升约58%（+9.32），高于Claude Opus 4.8（23.45），但低于Fable 5（36.60）、Kimi K2.6（40.21）；榜首Seed2.1 Pro约为其3倍。

Moonshot Kimi K3把视觉能力顶到Kimi线新高，一举成为Moonshot在榜的多模态代表款。

· Kimi K3较上代一次跳升近10个点。Kimi K3（49.48%）较Kimi K2.6（40.21%）提升+9.27%，Kimi多模态三代持续爬升（K2.5 36.5 → K2.6 40.21 → K3 49.48），去重后排名（第5）。

· 仍在中游，距第一梯队约15%。高于Claude Fable 5（36.60）、Grok-4.5（25.52），但落后Seed2.1 Pro、GPT-5.6-sol-pro、Qwen3.8-max-preview组成的头部三强。

Google Gemini 3.6 Flash的多模态与3.5 Flash基本同档，是一次以速度和成本为主的横向更新。

· Gemini 3.6 Flash分数比上一代Gemini 3.5 Flash降低近2个点。Gemini 3.6 Flash（60.05%）较Gemini 3.5 Flash（61.86%）回落1.81，Gemini多模态线仍稳在60分档（Gemini 3.1 Pro 51.5 → 3.5 Flash 61.86 → 3.6-flash 60.05）。

$OneMillion-Bench Leaderboard更新

需特别说明：因Evaluator模型升级，对所有模型进行过一次重新评测，整个榜单分数进行更新。模型选择以Base模式为主。榜单更新后的榜首是Kimi K3。本期新增Kimi K3、Fable 5、GPT-5.6-sol-pro、Qwen3.8-max-preview、Seed2.1 Pro、inkling、grok-4.5、hy3以及Gemini 3.6 Flash共9款模型入榜，多以Base模式集中在中前段。

本期新上榜模型分数更新概览如下（均为Base模式）：

· Kimi K3：Pass 35.0 / Avg 56.9 / EV $356,228，排名第1，且经济价值为整张榜单最高。

· Claude Fable 5：Pass 33.6 / Avg 55.9 / EV $318,061，排名第2，被Kimi K3反超后退居次席。

· GPT-5.6-sol-pro：Pass 32.2 / Avg 53.8 / EV $325,064，排名第3，较自家GPT 5.5的提升+21.5%。

· Qwen3.8-max-preview：Pass 31.9 / Avg 53.1 / EV $346,582，排名第4；经济价值$346,582为全榜第2，仅次于Kimi K3的$356,228。

· 字节 Seed2.1 Pro：Pass 23.7 / Avg 47.8 / EV $225,591，排名第5。

· inkling：Pass 22.1 / Avg 43.7 / EV $252,229，排名第6，长任务相对位次明显高于其纯知识推理。

· Grok-4.5：Pass 15.8 / Avg 44.2 / EV $150,960，排名第8，较Grok-4有提升但EV仅+10.7%。

· Gemini 3.6 Flash：Pass 15.3 / Avg 43.7 / EV $170,542，Google本月更新的模型，分数低于上一代Gemini 3.5 Flash保留。

· 腾讯 hy3：Pass 13.0 / Avg 38.8 / EV $161,758，第10，较hy3-preview 版明显提升。

近期新发布模型总结

Claude Fable 5（Anthropic，2026.6.10）

Claude Fable 5是命名从4.x直接跳到第5代的一次产品级整合发布：它是加装了安全分类器、可通用（GA）的Mythos-class模型（同日Mythos 5走Glasswing 邀请制），定价$10 / $50、默认1M上下文。ScienceQA 73.4 / BoN 83.0，原始分位居全榜第2，但因bio分类器拒答叠加降智，实测反而低于上一版Opus 4.8（76.4 / 84.0），成为Claude四代里第一次代际回调。它的实质增量在体验而非分数：Adaptive thinking强制开启、raw CoT关闭、三类安全分类器（bio / cyber / reasoning_extraction）+ fallback，响应快31%、output少44%，视觉单代跳升+13.15，OneMillion位居Base第2、仅次于kimi-k3。xbench的判断是：这一代对实际使用的推理能力相较4.8并未出现大幅升级，增量集中在安全机制、token效率与部署模式上。

Zhipu GLM-5.2（Zhipu / Z.ai，2026.6.13）

GLM-5.2是Z.ai（原智谱）在GLM-5家族上的迭代，MIT开源、约744B总参 / 40B激活、1M上下文，定位专攻coding、reasoning与agentic工作流，官方称在多项长程coding基准上以约1/6成本对标GPT-5.5。榜单上GLM-5.2（Thinking+max）ScienceQA平均分64.6 / BoN 77.0 / 300.77s，input $1.40 / output $4.40，平均output 10996.0；较上代GLM-5（65.0 / 80.0）平均分基本持平、略降，去重后Zhipu榜位仍由GLM-5保留。从代际曲线看，GLM-5→GLM-5.2是本期少见的一次「不升反微降」：平均分−0.4、BoN−3.0，同时响应时间从246.56s拉长到300.77s、平均output从7161涨到10996、单价从 $0.57/$2.57抬到$1.40/$4.40——花了更多token、更贵、更慢，纯知识推理分数却没有上去。多模态方面它并非视觉旗舰（Zhipu视觉挂在独立的GLM-V 系列），OneMillion重算榜本期也未提供可比结果。xbench的判断是：GLM-5.2在科学推理这一维度上是一次横向持平的迭代，其重心明显押在开源、长上下文与agentic coding的实际落地能力上。

字节 Seed 2.1（ByteDance，2026.6.23）

字节Doubao-Seed-2.1-pro定位为Coding与Agent时代的旗舰，采用Pro（高复杂度探索）+Turbo（规模化生产，价格为Pro一半）双版本、深度思考默认开启，模型与火山引擎API、豆包/TRAE/扣子同批开放。ScienceQA 71.0（第5、国产第一），BabyVision 66.89%登顶全榜第一（除Human外最高），两条线都进入头部。代价是高token、高延迟，ScienceQA平均output 16537.6 tokens、响应332.22s、500题$33.5，但output单价$4.42极低。xbench的判断是：字节以思考档位可切换+极低单价的方式，把视觉SOTA握在手里，纯文本推理稳居国产前二，多模态是其最突出的长板。

腾讯hy3（Tencent，2026.7.6）

腾讯hy3是hy3-preview之后的正式版并开源（Apache 2.0），采用295B总参 / 21B激活的MoE、支持256K上下文，本次不含多模态，仅测ScienceQA与OneMillion。ScienceQA 66.6（去重后第8、国产第四），BoN 80.0已进第一梯队，较preview一次跳升+9.8；价格是最大优势，input $0.15 / output $0.59，500题仅$2.8。OneMillion重算榜第10（Pass 13.0），较preview明显提升，但长链路执行尚未追平头部。xbench的判断是：hy3走的是小激活参数+ 开源+低价路线，以21B激活参数对标数倍体量旗舰，知识密集任务已入国产前列，复杂任务执行仍待提升。

Grok-4.5（xAI，2026.7.9）

Grok-4.5是xAI头部推理模型的一次三件事一起推的升级：准确率、稳定性、性价比同步改善。ScienceQA从Grok-4的65.0跳到72.4（+7.4，去重后第3），BoN从78.0到81.0，稳定性（BoN−Avg）由13.0收窄到8.6；同时响应从227.24s压到52.82s、output单价从$15降到$6，500题成本仅$13.5，约为GPT-5.5 Pro的1/35。它的长板高度集中在纯文本推理，多模态（BabyVision第7，25.52%）与联网复杂任务（OneMillion Base EV仅+10.7%）仍是待补项。xbench的判断是：这一代最强的信号不是分数突破，而是头部推理能力正在快速变便宜。

GPT-5.6-sol-pro（OpenAI，2026.7.10）

GPT-5.6-sol-pro是一次把高端能力搬到中端价位的发布：定价input $5 / output $30，是自家旗舰GPT-5.5 Pro（$30 / $180）的1/6。ScienceQA 71.0，比GPT-5.5 Pro低2.0，反映OpenAI纯知识推理进入平台期，进步更多落在性价比（500题$158.7，约GPT-5.5 Pro的1/3）。本次最大的进步在多模态，BabyVision 66.75%（第2）、两代累计上涨94.0%，几乎与榜首持平；OneMillion重算榜第2。代价是思维链偏长（平均output 9096.3 tokens，约GPT-5.5 Pro的1.75倍）。xbench的判断是：分数天花板未动，但把旗舰能力下放到中端价位、并补齐视觉短板，是本次的核心价值。

Thinking Machines Lab inkling（Thinking Machines Lab，2026.7.15）

inkling是前OpenAI CTO Mira Murati创立的Thinking Machines Lab发布的首款模型（公司2025年以$120亿估值完成$20亿种子轮）：975B总参 / 约 41B激活的开源权重MoE，从零训练、原生处理文本/图像/音频，主打可定制、面向企业自建而非单纯跑分，官方也坦承并非当前最强。榜单三个维度均已入榜：ScienceQA 59.2 / BoN 72.0（全榜第11、末位），BabyVision 21.39%（第 8），OneMillion重算榜Pass 22.1 / Avg 43.7 / EV $252,229（第6）。可以看到它在纯知识推理上与国产头部约差10分，但在真实复杂长程任务上的相对位次明显更高，与其定位一致。xbench的判断是：inkling代表了美国实验室在开源前沿的一次补位，能力上领跑美国实验室、落后中国头部，其价值更多在可定制的落地路径，而非榜单绝对分数。

Kimi K3（Moonshot AI，2026.7.16）

Kimi K3是月之暗面新发布的开源MoE旗舰，采用2.8万亿总参 / 16-of-896专家激活的稀疏架构（Stable LatentMoE），是迄今体量最大的开源权重模型，配合Kimi Delta Attention（在百万token上下文中解码提速约6.3×）、原生多模态与1M上下文，模型权重预告于7月27日前完整放出。榜单上，kimi-k3 ScienceQA拿到71.2 / BoN 86.0 / 182.13s（去重后第5、国产第一，BoN全榜最高），较上代Kimi K2.6（65.8 / 79.0）平均分+5.4、BoN+7.0，Kimi线四代平均分持续爬升；单价input $3 / output $15、500题$35。多模态BabyVision 49.48%（第5、Moonshot视觉线新高，去重后取代Kimi K2.6的排名），长程任务OneMillion重算榜Pass 35.0 / Avg 56.9 / EV $356,228直接登顶第1、经济价值为全榜最高。xbench的判断是：Kimi K3把开源旗舰的参数与架构一次推到新的量级，纯知识推理登上国产第一，长程复杂任务更成为其最亮眼的一面。

阿里Qwen3.8-max-preview（Alibaba，2026.7.20）

Qwen3.8-max-preview于7月19日世界人工智能大会（WAIC）放出，是Qwen家族第一个突破万亿参数（2.4万亿）、且原生支持图像/视频/文档的多模态旗舰，官方预告开源权重即将到来，主战场点名编程、全栈开发、数据分析、办公流程，首发平台是阿里自家编程工具Qoder / QoderWork。榜单表现上限升、均分落：ScienceQA BoN冲到81.0（国内最高、与grok-4.5持平），但平均分 68.0低于上一代Qwen3.7-max（70.8）2.8，稳定性尚有提升空间；多模态BabyVision 64.95%（第3）较自家上一代暴涨38.5%、跨入第一梯队；OneMillion榜第4，经济价值$346,582为全榜第2、仅次于kimi-k3的$356,228。xbench的判断是：Qwen3.8把原生多模态+Agentic编程/办公+万亿参数三件事压进同一款主力旗舰，能力维度显著变宽，性价比这一Qwen的传统杀手锏则待正式版公布API价格后再看。

Gemini 3.6 Flash（Google，2026.7.22）

gemini-3.6-flash是Google在Gemini Flash线上的最新一次迭代，延续Flash 一贯的低延迟、低价定位，input $1.5 / output $7.5、原生多模态。三个榜单上，它均以Google的更新款身份入榜、去重后不占数字排名：ScienceQA 65.6 / BoN 73.0，较上一代Gemini 3.5 Flash（70.0）小幅回落，但以12.9s的平均响应位列全榜最快；BabyVision 60.05%，较Gemini 3.5 Flash（61.86%）基本持平；OneMillion重算榜Pass 15.3 / Avg 43.7 / EV $170,542，与Gemini 3.5 Flash同档。三条线的共同特征是分数相对3.5 Flash略有回落或持平，而响应更快、output单价更低（从$9降到$7.5）。xbench的判断是：gemini-3.6-flash不是一次冲击分数上限的升级，而是一次面向延迟与成本优化的横向更新，把Flash档位继续做得更快更省。

xbench采用长青评估机制，持续汇报最新模型的能力表现，更多榜单未来将陆续更新，期待你的关注。你可以在xbench.org上追踪我们的工作和查看实时更新的Leaderboard榜单排名；欢迎通过team@xbench.org与我们取得联系，反馈意见。