计算机行业周报：大模型竞相“打榜”，如何评估谁最强？.pdf

2026年7月中旬以来，国产语言大模型迎来密集发布潮，月之暗面Kimi K3、DeepSeek V4系列及智谱GLM-5.3等模型相继亮相，在编程、Agent能力及垂直领域表现上取得显著突破。面对各家模型评测维度不一、基准饱和的现状，如何科学评估大模型实力成为行业焦点。

本报告系统梳理了当前最具参考价值的大模型评估基准体系。指出传统基准因得分趋同已失去区分能力，评估重心应转向反映真实工作场景的动态基准。重点分析了五大类基准：工具调用与MCP编排（如Toolathlon-Verified）、环境交互与计算机操作（如Terminal-Bench 3.0）、代码开发与软件工程（如DeepSWE、NL2Repo）、高级推理与长周期规划（如Agents' Last Exam）以及垂直领域专业能力（如CyberGym）。其中，GLM-5.3在Terminal-Bench 3.0及CyberGym中表现优异，展现了强大的终端操作与网络安全防御潜力；而Agents' Last Exam因难度极高，目前主流模型通过率极低，仍是检验智能体极限的关键标尺。

在市场表现方面，本周计算机板块震荡整理，沪深300指数微跌。行业新闻显示，SpaceX巨资收购AI编程公司Cursor，前阿里千问负责人林俊旸创业聚焦下一代Agent，显示产业界对AI工具链及智能体技术的高度重视。投资建议方面，报告认为随着开源与闭源模型差距收窄及K3 License分成模式的渗透，国内大模型进入量价齐升的商业化黄金期，利好开源模型公司及算力租赁厂商，建议关注智谱、MiniMax及相关算力标的。