深度文章

本文评测了阿里开源的Qwen3.6-27B模型。该模型聚焦智能体编程，中文评测呈现明显的“取舍”特征：总分微降至68.8%，推理等通用能力回调；但编程能力大幅提升6.7%，响应时间缩短80%。多维横向对比表明，该模型牺牲部分通用表现，换取了顶尖的代码水平，且凭借开源属性具备极高的本地部署价值。

本次大模型中文OCR能力评测基于真实业务场景数据，覆盖票据、手写、繁体字及竖排文本等七类典型任务。评测采用规则匹配与LLM裁判结合的双重判分机制，以确保结果客观。总榜显示，月之暗面的Kimi K2.6以69.8%的综合准确率位居第一，领先第二名Qwen3.6-plus近3个百分点。在排名前十的模型中，国产模型占据八席，表现出明显的群体优势。

本文对 GPT-5.5、Kimi、通义千问等多款大模型的表格识别能力进行实测，重点评估它们在复杂结构和水印干扰下的表现，发现模型普遍存在准确率下降和识别错误问题。实测中，GPT-5.5 因水印导致数字识别偏差和结构错乱；通义千问在水印下输出内容空白或错误；Kimi 则出现“致盲”现象，识别准确率受影响。这些结果反映了多模态大模型在视觉理解任务中的能力局限。

OpenAI GPT-5.5实测深入评估了模型在智能体编程、计算机操作、知识工作和科研任务等核心能力上的强化。测试显示，新版本在推理与数学计算领域准确率从78.2%提升至83.7%，agent与工具调用能力从60.3%升至65.0%，整体准确率达到75.3%，较GPT-5.4-high的72.6%有显著改进。响应速度平均耗时从24秒缩短至15秒，token消耗下降约30%，印证了官方用更少指导完成

本文客观评测了深度求索新开源的DeepSeek-V4系列模型。旗舰版V4-Pro基于混合稀疏注意力架构，大幅降低了长上下文的推理成本。评测显示其综合准确率达71.7%，在代码与智能体能力上跃升显著，稳居开源顶尖水平。虽然调用单价上涨，但其单次响应提速且资源消耗降低。结合全新的量化训练等技术，该模型成功缩小了与前沿闭源大模型的差距，综合竞争力突出。

本次实测针对小米MiMo-V2.5模型在中文文本场景下的综合能力进行了全面评估。模型在编码能力上实现显著提升（+8.8%），金融与医疗知识也有所增强，但教育与推理数学能力出现不同程度回调。整体准确率（65.8%）与上一代全模态模型基本持平，表明其能力结构在通用文本领域进行了针对性调整，重点强化了编程等特定任务，同时保持了法律、医疗等垂直领域的稳定表现。

小米 MiMo-V2.5-Pro 是小米推出的最新AI模型，实测显示其在推理、编码和工具调用等核心能力上实现显著提升。模型在推理与数学计算维度提升幅度最大，从71.9%增至83.5%，编码能力也从56.0%提升至62.9%。响应时间大幅缩短，从265秒降至56秒，表明工程优化效果明显。整体准确率从65.8%提升至71.4%，进入头部梯队，但Agent工具调用提升有限，医疗和语言维度基本持平。

月之暗面Kimi K2.6实测针对中文场景下的综合能力进行了考察，评测框架加入了coding维度。结果显示，模型在交互式场景中的等待体验改善，响应时间大幅缩短；成本方面，每千次调用花费100.41元，较上代上涨30.2%，但准确率提升2.1%。官方强调的长程执行和Agent集群能力在当前评测中未充分展开，适用于需要代码生成和长程任务的场景，读者可参考文末官方数据评估适用性。

阿里Qwen3.6-Max-Preview的实测数据显示准确率从69.3%提升至75.4%，排名升至总榜第一，编码维度提升24.1%，教育领域增强8.8%，同时成本涨幅约220%，输出价格从10元/M token升至54元/M token，每千次调用花费139.2元，在高端成本区间内表现领先于同类竞品。

Qwen3.6-35B-A3B的实测数据显示了多项性能指标的显著变化。在约1.5万题的中文场景测试中，新版本总准确率为68.1%，响应时间大幅优化至81秒，但单次调用成本增至40.5元。具体维度上，医疗法律类任务准确率上升超过2个百分点，而金融与数学推理任务则下降约4至5个百分点。首次评测的编码能力得分为56.6%，低于前代模型。

大模型表格识别能力实测显示，新一代模型如Qwen3.6-Plus和GLM-5V-Turbo在表格识别上不一定比前代更强。Qwen3.6-Plus虽编程能力突出，但表格识别准确率从66%降至60%，主要短板包括内容识别错误和结构错乱；GLM-5V-Turbo视觉编程领先，但表格识别仅53%，水印处理和表头还原问题明显。两者表现反映模型迭代中能力发展不均衡，编程优化可能挤占其他训练资源。