微软 MAI-DxO 登上《科学》杂志，AI 会诊准确率约83%高于医生组
微软公布 MAI-DxO 系统，让同一个大模型扮演五位分工不同的虚拟医生组成会诊小组，包括提出诊断、挑选检查、唱反调、盯成本和复核的角色，成果登上《科学》杂志。
推荐理由：原文拆解了微软 MAI-DxO 五角色会诊机制的分工细节和测试费用数据，读者可以了解多智能体医疗诊断的可行思路。
内容形态
评测基准 最新动态
模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
6 条精选近 30 天 6 条共收录 62 条
更新
评测基准的精选
钛媒体精选AI 评分7373
钛媒体精选AI 评分7171 MiniMax M3.1 Flash 低价高分遭遇背题质疑，改题实测中英结果不一
钛媒体梳理 MiniMax M3.1 Flash 发布后的背题争议：AA 给出综合智能指数42分，比 M3 高13分，但评测博主猫老板观察到其旧题接近满分、新题近乎归零，且部分难题仅用约1万 Token 就答对。
推荐理由：原文实测复现了改题实验，并整理新旧题得分和幻觉率数据，读者可据此了解这场争议的证据边界。
极客公园精选AI 评分7979 Kimi K3.1 Pro 上线，加量降价对标 Claude Opus 5.5
10 月 24 日 Kimi 发布 K3.1 Pro，作为 K3 的后训练版本，底座仍为 2.8 万亿总参数、1040 亿激活参数的 MoE 架构，保持 100 万 token 上下文窗口，并同步推出速度快 2 到 3 倍的 Highspeed 版本，完整权重将在 11 月 4 日前放出。
推荐理由：文章汇总了官方跑分与第三方评分，也收录了网友实测和套餐争议，能帮读者平衡看待这次模型升级。
钛媒体精选AI 评分7070 Kimi K3.1 Pro 实测评析：速度提升、任务能力进步，具身智能迹象显现
作者实测月之暗面 Kimi K3.1 Pro，普通 Pro 速度明显快于 K3，API 输出价格从每百万 token 100 元降至 68 元。
推荐理由：作者实测Kimi K3.1 Pro的速度、任务成绩与token消耗，并给出多个可直接对照的编程测试案例。
人人都是产品经理精选AI 评分7373 MiniMax M3.1 Flash 发布：成本降七成，作者实测开发小游戏
MiniMax 发布 M3.1 Flash，输入每百万 Token 1 元、输出 4 元，缓存读取 0.1 元，全天统一价。官方数据显示其 AA 智能指数从 M3 的 29 分升至 43 分，单次基准任务平均费用从 0.51 美元降至 0.22 美元；在 ALE 得 29.6 分、OSWorld V2 得 67.1 分，均为国产模型第一。
推荐理由：作者用一款小游戏从零开发的全过程实测 M3.1 Flash，并给出 ALE、OSWorld 等 Agent 评测与成本对比，可据此判断它在长链路任务中的实际完成度。
雷锋网精选AI 评分7474 MiniMax M3.1 Flash 发布并拿下 Agent 任务第一，实测对比 DeepSeek V4.1 Flash
MiniMax 于 10 月 19 日正式发布 M3.1 Flash，并认领此前匿名模型 Space Bunny，在 Automation-Bench 复杂 Agent 任务对比中位列第一，BankerToolBench 以 76.2% 与 Opus 5 并列第一。
推荐理由：作者用同一道 3D 校园任务实测两款国产 Flash，给出耗时与费用对比，可据此判断 Agent 场景下的选型取舍。