
DeepSeek V4.1 Flash 1017 พุ่งขึ้น 19 คะแนนบน FrontierMath Tier 4 — และ DeepSeek ไม่เคยกล่าวถึงเรื่องนี้เลย
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0711 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 186 tok/s
ตัวเลขเบนช์มาร์กที่น่าสนใจที่สุดที่เกี่ยวข้องกับ DeepSeek V4.1 Flash 1017 คือตัวเลขที่ผู้ขายไม่ได้เผยแพร่ เมื่อวันที่ 21 ตุลาคม 2026 ห้าวันหลังจาก checkpoint เปิดตัว เครื่องมือติดตาม BenchLeader ได้เพิ่มผล FrontierMath Tier 4 สำหรับโมเดลนี้: 46.3% ที่ความพยายามในการให้เหตุผลสูงสุด นั่นคือช่องว่างหนึ่งโจทย์จาก Qwen3.8-Max ซึ่งวัดได้ 46.3% เมื่อวันที่ 2 สิงหาคม และอยู่ในระดับเดียวกับ Claude Haiku 5.5 ซึ่งวัดได้ 46.3% เมื่อวันที่ 7 ตุลาคม นอกจากนี้ยังสูงกว่าประมาณสิบเก้าคะแนนจากตำแหน่งที่ checkpoint DeepSeek ก่อนหน้าทุกตัวอยู่บนบอร์ดเดียวกัน บันทึกการเปลี่ยนแปลงของ DeepSeek เองสำหรับอัปเดตวันที่ 17 ตุลาคมระบุเบนช์มาร์กเก้ารายการ ไม่มีรายการใดเป็นเบนช์มาร์กคณิตศาสตร์เลย โดยให้บริการบน OrcaRouter ควบคู่กับ บิลด์เดือนกันยายน ภายใต้ deepseek/deepseek-v4.1-flash ดังนั้นคุณจึงรันชุดพรอมต์เดียวกันกับทั้งสอง checkpoint ได้
ช่องว่างระหว่างสิ่งที่ DeepSeek อ้างกับสิ่งที่บุคคลที่สามวัดได้ คือประเด็นสำคัญในเรื่องนี้ checkpoint 1017 ถูกประกาศว่าเป็นรีลีสที่เน้นต้นทุนและความเร็ว — ถ้อยคำใน changelog คือ “performance-cost Pareto improvement” โดยมีเอาต์พุตที่สั้นลงและทำงานเสร็จเร็วขึ้น ตาราง benchmark ใน changelog เดียวกันนั้นเป็นงานแบบ agentic ทั้งหมด: HLE แบบไม่ใช้เครื่องมือ, Terminal-Bench 4.0, DeepSWE v1.1, ProgramBench, Apex Bench, Agents' Last Exam คณิตศาสตร์ไม่อยู่ในรายการ ดังนั้นจึงเป็นได้ว่าความสามารถด้านคณิตศาสตร์ของ DeepSeek ดีขึ้นในฐานะผลข้างเคียงที่ไม่ได้ประกาศของการทำงานแบบ agentic หรือไม่ก็เว็บไซต์ติดตามแห่งหนึ่งมีแถวข้อมูลที่เว็บอื่นไม่มี การตีความทั้งสองแบบล้วนควรค่าแก่การพิจารณาอย่างจริงจัง และนำไปสู่คำแนะนำที่แตกต่างกัน
สิ่งที่ Tier 4 v2 ถามจริง ๆ และเหตุใดจำนวนปัญหาจึงสำคัญกว่าเปอร์เซ็นต์
FrontierMath Tier 4 v2 คือระดับงานวิจัยของเบนช์มาร์กจาก Epoch AI: ชุดเพิ่มเติมแบบไม่เปิดเผยต่อสาธารณะจำนวน 43 ปัญหาระดับงานวิจัย เผยแพร่เมื่อ 12 มิถุนายน 2026 โดยโมเดลได้รับอนุญาตให้รัน Python ในแซนด์บ็อกซ์แบบไม่เก็บสถานะเทียบกับรายการไลบรารีคงที่ ตัวหารที่ใช้คิดคะแนนดูเหมือนจะเป็น 41 — คะแนนที่เผยแพร่หารด้วยจำนวนนี้ลงตัว เพราะ 19 ข้อถูกจาก 41 คือ 46.34% และ 11 จาก 41 คือ 26.83% ไม่ว่าจะทางใด ชุดนี้เล็กพอที่หนึ่งปัญหาจะมีค่าประมาณ 2.4 จุดเปอร์เซ็นต์ และนั่นคือรายละเอียดที่กำหนดทุกอย่างอื่นในหน้านี้ คะแนนสองค่าที่ดูห่างกันมากบนลีดเดอร์บอร์ดอาจห่างกันถึงแปดข้อ
ซึ่งนั่นก็คือสิ่งที่ตัวเลขของ DeepSeek เป็นจริง ๆ คะแนน 46.3% คิดออกมาได้เป็นคำตอบที่ถูกสิบเก้าข้อเทียบกับตัวส่วนนั้น คะแนน 26.8% ที่เช็กพอยต์ก่อนหน้านี้มีอยู่คิดออกมาได้เป็นสิบเอ็ดข้อ “การกระโดดสิบเก้าจุด” ทั้งหมดคือแปดข้อปัญหา มันเป็นความแตกต่างจริง — แปดข้อจากสี่สิบเอ็ดข้อไม่ใช่สัญญาณรบกวนในความหมายปกติ — แต่มันก็เป็นตัวอย่างที่เล็กพอที่การเปลี่ยนเครื่องมือเพียงอย่างเดียว การเปลี่ยนพรอมป์ระบบ หรือการตั้งค่าระดับความพยายามที่ต่างออกไปสามารถขยับโมเดลได้หลายอันดับ เมื่อมีสี่โมเดลที่ได้ 46.3% เท่ากัน พวกมันไม่ได้แยกจากกันอย่างมีความหมาย พวกมันทั้งหมดอยู่ห่างกันภายในหนึ่งข้อปัญหา
วิถี: จุดตรวจสามจุดแบบราบเรียบ จากนั้นหนึ่งก้าว
เหตุผลที่ 46.3 ถูกมองว่าเป็นข่าว แทนที่จะเป็นเพียงอาร์ติแฟกต์จากการปัดเศษ ก็คือสิ่งที่เกิดขึ้นก่อนหน้านั้น ในสี่รายการ FrontierMath Tier 4 v2 ล่าสุดของ DeepSeek เส้นกราฟจะแบนราบแล้วจึงพุ่งเป็นแนวดิ่ง:
• DeepSeek V4 Flash 0731 — 24.4% ซึ่งเป็นเช็กพอยต์ประจำเดือนกรกฎาคม
• DeepSeek V4 Pro 0813 — 26.8% รุ่นเรือธงประจำเดือนสิงหาคม
• DeepSeek V4.1 Flash (0910) — 26.8% ซึ่งเป็นรุ่นที่เปิดตัวในเดือนกันยายนและเข้ามาแทนที่ทั้งสองรุ่น
• DeepSeek V4.1 Flash 1017 — 46.3% ซึ่งเป็นเช็กพอยต์ประจำเดือนตุลาคม ที่ความพยายามสูงสุด
ระดับที่ง่ายกว่าก็ขยับเช่นกัน แต่เพียงเล็กน้อย: BenchLeader ระบุว่า FrontierMath Tiers 1–3 สำหรับ 1017 build อยู่ที่ 71.2% เทียบกับ 67.4% ของเวอร์ชันเดือนกันยายน นั่นคือรูปแบบที่คุณคาดว่าจะเห็นจากการเพิ่มขึ้นของความสามารถอย่างแท้จริง — เพิ่มขึ้นไม่กี่จุดในส่วนที่คำถามพอจะจัดการได้ และขยับมากกว่ามากในส่วนที่จัดการไม่ได้ นอกจากนี้ยังเป็นรูปแบบที่คุณคาดว่าจะเห็นจากการเปลี่ยนแปลงของฮาร์เนสซึ่งช่วยได้มากเป็นพิเศษกับปัญหาที่ยากที่สุด ซึ่งเป็นเหตุผลว่าทำไมส่วนถัดไปจึงสำคัญ
คุณจะเชื่อบอร์ดไหน ขึ้นอยู่กับว่าคุณอ่านบอร์ดไหน
เราเช็กแทร็กเกอร์ห้ารายการแล้ว สองรายการตอนนี้แสดง 46.3% สำหรับบิลด์ 1017 ส่วนอีกสามรายการไม่แสดง
• BenchLeader — 46.3% ที่ Tier 4 และ 71.2% ที่ Tier 1–3 ที่ระดับความพยายามสูงสุด เพิ่มผลลัพธ์เมื่อ 21 ตุลาคม 2026
• DataLearner ซึ่งปัจจุบันให้บริการในชื่อ LLMLearner — 46.34% อยู่ในอันดับที่ 21 ร่วม ได้รับการประเมินภายใต้การกำหนดค่า "Max (With Tools)" ผลลัพธ์ล่าสุดถูกเพิ่มเมื่อ 26 ตุลาคม 2026 และถูกระบุบนกระดานว่าเป็นคะแนนแบบ open-weights ที่ดีที่สุด
• benchlm.ai — 26.829% อันดับที่ 30 "การแก้ปัญหาคณิตศาสตร์แบบวนซ้ำโดยใช้ Python" หน้าอัปเดตเมื่อ 25 ตุลาคม 2026
• tensor.news — ไม่มีแถว 1017 เลย รายการ DeepSeek V4.1 Flash ของเว็บไซต์นี้ระบุ 26.83% ซึ่งวัดผลเมื่อวันที่ 9 กันยายน 2026
• trustthebench — 26% บนหน้าที่ลงวันที่ 26 สิงหาคม 2026 ซึ่งอยู่ก่อนจุดตรวจสอบนั้นทั้งหมด

ผู้คัดค้านทั้งสามรายมีปัญหาร่วมกันเกี่ยวกับแหล่งที่มา ตัวเลข 26.83 คือคะแนนที่บิลด์เดือนกันยายนทำได้เมื่อแสดงเป็นทศนิยมสองตำแหน่ง ระบบติดตามที่นำป้ายชื่อโมเดลใหม่ไปใช้กับการวัดเก่าจะให้รูปแบบนี้พอดี และหน้าที่ลงวันที่สิงหาคมเป็นหลักฐานชัดเจนว่าอย่างน้อยหนึ่งในนั้นกำลังทำเช่นนี้ นั่นไม่ได้ทำให้ 46.3 น่าเชื่อถือ — แต่ทำให้ 26.8 ล้าสมัยมากกว่าจะขัดแย้ง
สิ่งที่ทำให้เรื่องนี้ยุติได้คือชุดทดสอบชุดที่สอง ทั้ง 46.3 และ 71.2 ยังไม่ได้รับการทำซ้ำนอกชั้นการติดตาม และ DeepSeek ยังไม่ได้เผยแพร่การประเมินทางคณิตศาสตร์ของตนเองสำหรับเช็กพอยต์นี้ ให้ถือว่าตัวเลขนี้เป็นสัญญาณจากบุคคลที่สามที่หนักแน่น ไม่ใช่ข้อเท็จจริงที่ยืนยันแล้วเกี่ยวกับโมเดล หากคุณต้องการตัวเลขที่สามารถ défend ได้สำหรับเอกสารจัดซื้อจัดจ้าง คุณยังไม่มีตัวเลขนั้น
ทำไม DeepSeek ถึงปล่อยความก้าวหน้าด้านคณิตศาสตร์ออกมาโดยไม่กล่าวถึง
ตารางในบันทึกการเปลี่ยนแปลงอธิบายการละเว้นนี้ได้ดีกว่าทฤษฎีสมคบคิดใด ๆ การอัปเดต 1017 ถูกนำเสนอในฐานะรุ่นที่เน้นการเขียนโค้ดและเอเจนต์ และตัวเลขจากผู้ขายก็อยู่ในหมวดนั้นทั้งหมด: HLE แบบไม่ใช้เครื่องมือเพิ่มจาก 36.8 เป็น 42.6, Terminal-Bench 4.0 จาก 31.2 เป็น 42.3, DeepSWE v1.1 จาก 74.2 เป็น 77.0, ProgramBench จาก 20.3 เป็น 29.1, Apex Bench จาก 64.6 เป็น 72.1 โมเดลที่ถูกปรับบนเส้นทางการทำงานของเอเจนต์แบบยาว ซึ่งรางวัลคือการทำภารกิจหลายขั้นให้เสร็จมากกว่าการสร้างโทเค็นสุดท้ายที่ถูกต้อง จะได้ความอึดทางคณิตศาสตร์มาเป็นผลพลอยได้ คณิตศาสตร์ยากและการรันเอเจนต์ยาวให้รางวัลกับพฤติกรรมเดียวกัน: ตรวจสอบต่อไป อย่าหยุดแต่เนิ่น ๆ

ผู้ทดสอบอิสระพบสิ่งที่ตรงกันข้ามกับที่ทฤษฎีนั้นคาดการณ์ ซึ่งนั่นคือสิ่งที่ทำให้เรื่องทั้งหมดน่าสนใจ ในตัวอย่างโจทย์คณิตศาสตร์ยาก sference ของผู้ประเมินวัดเอาต์พุตการให้เหตุผลแบบใช้ความพยายามน้อยที่สุดลดลงจาก 1,974 โทเคนเหลือ 790 โดยค่ามัธยฐานเอาต์พุต AIME ลดลงจาก 1,681 เหลือ 1,124 การให้เหตุผลที่สั้นลงเมื่อใช้ความพยายามน้อยที่สุดไม่ใช่สิ่งที่คุณจะคาดได้จากโมเดลที่เพิ่งได้เพิ่มสิบเก้าคะแนนในคณิตศาสตร์เชิงวิจัย ข้อสรุปที่เข้ากันได้น่าจะเป็นแบบขึ้นกับความพยายาม: ค่า 46.3 ถูกบันทึกที่ความพยายามสูงสุด และสิ่งที่เปลี่ยนไปคือโมเดลคิดมากแค่ไหนเมื่อคุณปล่อยให้มันคิด ไม่ใช่ว่ามันคิดได้อย่างมีประสิทธิภาพแค่ไหนเมื่อคุณไม่ปล่อย
46.3 อยู่ตรงไหนกันแน่
การเป็นโมเดลจีนที่ดีที่สุดร่วมไม่ใช่สิ่งเดียวกับความใกล้เคียงระดับแนวหน้า และลีดเดอร์บอร์ดเดียวกันก็ทำให้เห็นชัดภายในสองสามแถว ผู้นำ Tier 4 v2 เป็นโมเดลอีกระดับหนึ่งโดยสิ้นเชิง: GPT-6.1 Sol ที่ 100%, GPT-6 Astra ที่ 97.6%, Claude Opus 5.5 ที่ 95%, Claude Fable 5 ที่ 90.2%, GPT-6 Sol ที่ 90% โมเดลที่ใกล้ที่สุดที่อยู่เหนือกลุ่ม 46.3 คือ GPT-5.4 ที่ 49% ลีดเดอร์บอร์ดของ LLMLearner ระบุว่า 46.3 เป็นคะแนน open-weights ที่ดีที่สุดบนกระดาน คะแนนระดับครึ่งร้อยบน tier ที่ยากที่สุดเป็นผลลัพธ์ที่ยอดเยี่ยมสำหรับโมเดล open-weights และเป็นผลลัพธ์ที่ย่ำแย่สำหรับโมเดลระดับแนวหน้า และ DeepSeek V4.1 Flash 1017 อยู่ในหมวดแรกอย่างชัดเจน
• คะแนน Tier 4 v2 — DeepSeek V4.1 Flash 1017 46.3% เทียบกับ Qwen3.8-Max 46.3% เทียบกับ Claude Haiku 5.5 46.3% (เสมอกัน อันดับที่ 21)
• FrontierMath ระดับ 1–3 — DeepSeek V4.1 Flash 1017 71.2% เทียบกับบิลด์เดือนกันยายนของตัวเองที่ 67.4%
• เวต — อยู่ภายใต้สัญญาอนุญาต MIT ดาวน์โหลดได้ เป็นสถาปัตยกรรม mixture-of-experts แบบ 552B พารามิเตอร์ พร้อมตารางหน่วยความจำแบบมีเงื่อนไขแยกต่างหาก ผู้ติดตามสถิติประเมินว่าขนาดพื้นที่จัดเก็บบนดิสก์ทั้งหมดใกล้เคียง 763B พารามิเตอร์
• ราคา — $0.30 ต่อล้านโทเค็นอินพุต และ $1.20 ต่อล้านโทเค็นเอาต์พุตในช่วงพีค, $0.15 และ $0.60 นอกช่วงพีค, ไม่เปลี่ยนแปลงจากเดือนกันยายน
• บริบท — 1M โทเค็น พร้อมการป้อนข้อมูลภาพ
• คำกล่าวอ้างด้านคณิตศาสตร์จากผู้ขาย — ไม่มี; FrontierMath ไม่ปรากฏเลยในตารางที่เผยแพร่ของ DeepSeek

การตีความเชิงปฏิบัติ: หากงานของคุณเป็นคณิตศาสตร์แนวแข่งขัน และทางเลือกอื่นของคุณคือโมเดลแบบเปิดน้ำหนัก 46.3 ก็เปลี่ยนสมการการตัดสินใจ เพราะมันทำให้โมเดลขนาด 552B ที่มีสัญญาอนุญาต MIT อยู่ในระดับเดียวกันกับโมเดลกรรมสิทธิ์สองตัวที่มีต้นทุนต่อโทเคนสูงกว่า หากทางเลือกอื่นของคุณคือโมเดลปิดระดับแนวหน้า ไม่มีอะไรในนี้ที่ปิดช่องว่างได้ — ช่วงห่าง 95 ถึง 46 ใน Tier 4 ไม่ใช่ความคลาดเคลื่อนจากการปัดเศษ
ทดสอบข้อกล่าวอ้างกับปัญหาของคุณเอง โดยไม่ต้องเดิมพันเส้นทางโปรดักชันใดๆ กับมัน
เมื่อ 46.3 ตั้งอยู่บนโจทย์ส่วนตัว 41 ข้อและเลเยอร์ติดตามผลหนึ่งชั้น การเลือกที่สมเหตุสมผลคือวัดมันกับปริมาณงานของคุณเอง มากกว่าจะเชื่อตัวเลขใดตัวเลขหนึ่ง DeepSeek V4.1 Flash 1017 ให้บริการบน OrcaRouter ในชื่อ deepseek/deepseek-v4.1-flash-1017 พร้อมกับบิลด์เดือนกันยายนภายใต้ deepseek/deepseek-v4.1-flash — ซึ่งหมายความว่าคุณสามารถรันชุดพรอมป์เดียวกันกับทั้งสองเช็กพอยต์ผ่านคีย์ API เดียว และดูว่าช่องว่างแปดข้อจะปรากฏในการประเมินของคุณเองหรือไม่ ไม่มีสัญญาที่สองและไม่มีการเปลี่ยนโค้ด สตริงโมเดลเป็นสิ่งเดียวที่ต่างกัน
มีสองสิ่งเกี่ยวกับชั้นการกำหนดเส้นทาง (routing layer) ที่เกี่ยวข้องกับการตัดสินใจซึ่งยังไม่ลงตัวนี้ ราคาจะถูกส่งผ่านตามราคาลิสต์ของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นอัตรา off-peak ของ DeepSeek ที่ $0.15 และ $0.60 จึงมีผลที่นี่ในวันเดียวกับที่มีผลที่ใด ๆ และการปรับราคาของผู้ขายก็ไม่ต้องรอให้เราซิงก์แค็ตตาล็อก สิ่งที่มีประโยชน์กว่าขณะที่ benchmark ยังเป็นที่โต้แย้งคือ automatic failover และ routing DSL ช่วยให้คุณส่งส่วนงานคณิตศาสตร์ยากไปยังบิลด์ 1017 ที่ความพยายามสูงสุด และ fallback ไปยังโมเดลที่แข็งแกร่งกว่าเมื่อได้คำตอบที่คุณตรวจสอบไม่ได้ — ดังนั้นการเพิ่มขึ้น 19 จุดที่ยังไม่ได้รับการพิสูจน์จึงมีต้นทุนเป็นกฎการกำหนดเส้นทางหนึ่งข้อ แทนที่จะเป็นการย้ายระบบ
อะไรจะเปลี่ยนเรื่องราวนี้
มีสามสิ่งที่น่าจับตา และทั้งสามอย่างตรวจสอบได้ สิ่งแรกคือ benchlm.ai และ tensor.news จะอัปเดต 1017 แถวของตนเป็นค่าอื่นที่ไม่ใช่ 26.8 หรือไม่; หากตัวติดตามอีกสองรายมาบรรจบกับการวัดในเดือนตุลาคม การตีความว่าเป็นแถวที่ล้าสมัยก็ได้รับการยืนยัน และตัวเลขนั้นก็กลายเป็นเรื่องธรรมดา สิ่งที่สองคือ DeepSeek จะเพิ่มแถวคณิตศาสตร์ลงในตารางเปรียบเทียบของตัวเองในบันทึกการเปลี่ยนแปลงในอนาคตหรือไม่ — ผู้ขายที่เชื่อว่าตนได้คะแนนเพิ่มขึ้นสิบเก้าคะแนนบน FrontierMath คงจะพูดออกมา และความเงียบในจุดนั้นถือเป็นหลักฐานเล็กน้อยที่คัดค้าน สิ่งที่สามคือการทำซ้ำแบบไม่ใช้เครื่องมือ ค่า 46.3 ถูกบันทึกไว้โดยอนุญาตให้ใช้เครื่องมือ และการรันแบบไร้สถานะจะบอกคุณได้ว่าสิ่งที่ได้เพิ่มขึ้นนั้นคือการให้เหตุผลทางคณิตศาสตร์หรือการใช้ Python sandbox ได้ดีขึ้น
จนกว่าหนึ่งในสิ่งเหล่านั้นจะเกิดขึ้นจริง บทสรุปที่ตรงไปตรงมาก็ยังแคบอยู่ checkpoint อายุเก้าวัน สัญญาอนุญาต MIT และราคาอินพุต $0.30 ได้เข้ามาอยู่ในระดับเดียวกับ Qwen3.8-Max และ Claude Haiku 5.5 บนระดับโจทย์คณิตศาสตร์สาธารณะที่ยากที่สุด — บนสอง tracker ที่ความพยายามสูงสุด จากทั้งหมด 41 ข้อ โดยที่ห้องแล็บผู้สร้างไม่ได้ออกมากล่าวอ้าง นั่นเพียงพอที่จะเป็นเหตุผลให้คุณลองประเมินด้วยตัวเองสักบ่าย แต่ไม่เพียงพอที่จะเป็นเหตุผลให้เขียนสไลด์ benchmark ใหม่
การเปรียบเทียบในบทความนี้2
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
