这个 10 月，AI 圈有点像手机行业一年一度的「秋季发布会」：短短六周，OpenAI、Google、Anthropic 把新一代旗舰全放了出来，国内的开源模型也没闲着。
热闹背后，有两件事值得普通人关心：一是它们的「分数」到底差多少；二是它们能干的事，和半年前已经不一样了。
一、这个月到底发了什么
- 9 月 3 日，OpenAI 发布 GPT-6 Astra，支持文本和图像输入，上下文 100 万 token，先向少数机构开放，随后逐步给到付费用户和 API。
- 9 月 22 日，Anthropic 发布 Claude Opus 5.5，主打「代理编程和知识工作」，官方称典型负载下的成本比上一代 Opus 5 低 40%。
- 10 月 13 日，Google 的 Gemini 4 Argon 全面开放，能读文本、图像、视频、音频和 PDF，上下文约 105 万 token。
- 国内这边，10 月 19 日 MiniMax 发布 M3.1 Flash，官方称推理速度提升近 3 倍、使用成本降低 70%；10 月 24 日月之暗面发布 Kimi K3.1 Pro，3 万亿级参数，继续是全球参数规模最大的开源模型。
二、分数：前三名只差 2.5 分
第三方榜单 BenchAlign（benchlm.ai，10 月 25 日更新）给出的综合分很直观：
Claude Opus 5.5 以 86.59 排第一，后面紧跟着 GPT-6.1 Sol（84.32）、GPT-6 Astra（84.18）、Claude Fable 5.1（83.05）和 Gemini 4 Argon（82.79）。
前三名的差距不到 2.5 分。 在榜单 90% 置信区间的口径下，Opus 5.5 和 GPT-6.1 Sol 基本可以算并列——换句话说，别再纠结「谁是世界第一」了，这只是该榜单的综合口径，不能直接推断每个实际任务都相近。
开源这边，小米的 MiMo-V2.6-Pro 拿到 73.62（榜单标注为估算值），月之暗面的 Kimi K3 是 70.02，阿里 Qwen3.8 Max 是 69.82。开源第一梯队与闭源第一梯队差了约 13 分。这个差值来自当前榜单，不能直接证明比一年前进步多少；估算值也有更大不确定性。
还有一个更实用的数字：GPT-6.1 Sol 用明显更低的输出价格，拿到了榜首约 97% 的综合分；这不是正确率或能力达到97%的意思，价格也应以对应渠道和日期为准。
三、新功能：从「你问我答」变成「它自己接着干」
比分数更有意思的，是这个月各家都在推的新玩法。
OpenAI 这边：
- ChatGPT 上线了 dots（中文可理解为「常驻代理」）：给它一个目标，连上要用的应用，它有自己的云端电脑，可以在你不再聊天之后继续推进工作，做完把结果拿回来给你看。它由 GPT-6 Astra 驱动，正在分批开放给 Pro、Business 等付费用户。
- 语音模型升级到 GPT-Live-1.1，对话更自然，还提供了更轻量的版本。
- Codex 加入了代码评审和仓库安全扫描，能把一个改动讲清楚、也能定期检查代码里有没有隐患。
Google 这边：
- Gemini 4 Argon 一次能「看」文本、图片、视频、音频和 PDF，上下文约 105 万 token，适合处理长文档和多媒体素材。
- Antigravity 的代理式编程界面进了 Gemini 桌面应用（macOS），聊着天就能直接切到写代码、改项目。
Anthropic 这边：
- Opus 5.5 把重点放在「能连续干多步任务的编程」和知识工作上，官方的说法是典型负载成本比 Opus 5 低 40%。
- 综合分目前第一，但优势很薄，属于「领先一点点」。
把这三点放一起看，结论很清楚：这个月比的不是「谁更聪明」，而是「谁能自己把活儿干完」。
四、最反直觉的实测：加「推理强度」不一定加分
HumanLayer 在 10 月 15 日放出的 SlopCodeBench，测的是一件大家默认成立的事：让模型「多想一会儿」，会不会做得更好？
它用 36 道会不断改需求的编程题、196 个检查点来打分：模型先写程序，再接收新需求去改旧代码，最后同时检查新功能和旧功能有没有被改坏。
结果有点意外：
- 这轮测试所覆盖模型的「严格通过率」都挤在 12.2% 到 16.3% 之间，差距只有几个检查点，成本却能差 8 倍以上。
- Claude Opus 5.5 把推理强度从 Medium 拉到 XHigh，成本涨了 4.22 倍，严格通过数反而从 28 降到 25。
- GPT-6 Astra 的 XHigh 拿下最高通过率，但对照表中是32个严格通过检查点，GPT-6.1 Sol Medium为29个，相差3个；后者记录的费用不到前者四分之一。原报告这句文字写成“两个”，与表内数字不符，这里按表计算。
- GPT-6.1 Sol Medium 花了 178.51 美元，拿到和 Astra Medium 相同的严格通过数。
作者自己也提醒：每组设置只跑了一次，不能断言「推理越多越差」，较稳妥的结论是：在这几次运行中，最高档更贵，却未必多通过检查点。 Astra在最高档反而从29增至32个。是否值得升级，要用自己的同类任务比较通过率、费用和人工复核成本，不能把单次结果当成普遍规律。
五、对不写代码的人，这意味着什么
- 别迷信「最强模型」。日常问答、写文案、整理资料，中档模型就够用；更难的任务可以考虑更强配置，但任何档位都不能保证一次做对，仍需验证。
- 「能自己干活」的代理开始出现在日常产品里。好处是省事，代价是你要更认真地检查它交出来的东西——它可能非常自信地做错。
- 想省钱，算「每次成功的成本」，而不是只盯单价。一个便宜但总要重试的模型，往往更贵。
- 国内模型追得很快，尤其在开源上。如果你的需求是中文、成本敏感、还想自己部署，值得认真试一试。
六、一句话总结
这个 10 月，AI 的竞争从「榜上分数」挪到了「能不能替你把事情做完」。分数依然重要，但它越来越像一张入场券，而不是决定胜负的那一脚。
核查说明
本文是公开资料整理，没有由本站重新运行这些模型。功能与发布日期来自下列报道，开放范围、价格和排名应在使用时重新查官方页面。SlopCodeBench数据已对照HumanLayer原始报告核查，单次运行不能推断所有任务表现。
资料来源
- BenchAlign 模型排行榜（2026-10-25）
- 10 月大模型实测对比（2026-10-21）
- ChatGPT「dots」常驻代理上线报道（至顶网）
- Gemini 4 Argon 上线说明（Google 官方）
- Kimi K3.1 Pro 发布报道（证券时报）
- MiniMax M3.1 Flash 发布报道（新浪财经）
数据以各家官方公告与第三方榜单的公开结果为准；价格和排名变化很快，做预算前请再核对一次官方页面。