十一家国际与中国主流厂商 · 最新 AI 模型发布与研究成果对比特稿
仲 夏 号 · 特 别 报 道刚刚过去的两周，可能是 2026 年上半年模型发布最密集的窗口。Anthropic 在发布逼近 Opus 性能却砍掉三分之一价格的 Claude Sonnet 5 之外，把 Fable 5 / Mythos 5 推上了高于 Opus 的全新"Mythos 级"档位；OpenAI 随即预览下一代 GPT-5.6 家族（Sol / Terra / Luna）应战；Google 则用 Gemini 3.5 Flash 把"旗舰级能力"打进了 Flash 价位段。
太平洋另一侧同样热闹：美团 LongCat-2.0 以 1.6 万亿参数、全流程国产算力训练的姿态开源上桌，DeepSeek V4 家族配合 DSpark 投机解码把推理速度再提六到八成，Kimi K2.6、GLM-5.1 在 SWE-Bench Pro 等智能体编程榜上与闭源旗舰正面掰手腕。开源万亿参数 MoE，已从奇观变成标配。
本期特稿逐家盘点十一家厂商的最新动作，并从近两周的论文与评测中提炼五条值得留意的研究风向。
— 信息截至 2026 年 7 月 3 日；所有关键事实均附来源链接，厂商自报且未经第三方验证的数据已单独标注。
十一家厂商当前对外可见的最新旗舰／最新动作，按国际与中国分区排列。"开源"指权重公开可下载。
| 厂商 | 最新旗舰 / 动作 | 发布时间 | 形态 | 关键亮点 | 定价（每百万 token） |
|---|---|---|---|---|---|
| OpenAI美国 | GPT-5.6 Sol / Terra / Luna 预览 在售旗舰 GPT-5.5 |
2026-06-26 预览 | 闭源 | Terminal-Bench 2.1 新 SOTA；新增 max 推理档与调度子智能体的 ultra 模式；Cerebras 上最高 750 token/s | Sol：$5 / $30（与 GPT-5.5 持平） |
| Anthropic美国 | Claude Fable 5 / Mythos 5（Mythos 级新档位）＋ Sonnet 5 | 2026-06-29（Sonnet 5） | 闭源 | Sonnet 5 性能逼近 Opus 4.8，长程智能体任务大幅增强；Fable 5 主打百万 token 级长程专注 | Sonnet 5 限时 $2 / $10（8 月末恢复 $3 / $15） |
| Google DeepMind美国 | Gemini 3.5 Flash ＋ Gemini Omni Flash ＋ Nano Banana 2 Lite | 2026-06-08 / 06-30 | 闭源 | 3.5 Flash 以 Flash 价位在多项基准反超自家 3.1 Pro；Omni 系原生视频理解与生成领先 | 视频生成 $0.10/秒；图像 $0.034/张（1K） |
| Meta美国 | Muse Spark（超级智能实验室首作，替代 Llama 线） | 2026-04-08 | 转闭源 | 推理能耗较 Llama 4 Maverick 低一个数量级；Brain2Qwerty v2 脑机解码登《Nature》 | 未公开 |
| xAI美国 | Grok 4.5 私测；公开版 Grok 4.20 | 2026-06-28 私测 | 闭源 | 1.5T 参数 V9 底座，自称接近乃至超越 Opus（未经第三方验证）；4.20 有 2M 上下文＋多智能体架构 | 4.5 未定价 |
| NVIDIA美国 | Nemotron-Labs-TwoTower 扩散语言模型 | 2026-07-01 | 开放权重 | 双塔扩散架构，保留 98.7% 自回归质量、生成吞吐 2.42 倍 | 权重免费 |
| DeepSeek中国 · 深度求索 | DeepSeek-V4-Pro / Flash（含 Thinking 版）＋ DSpark 加速框架 | 2026-06-27（DSpark） | 开源 | DSpark 投机解码使 V4 每用户生成提速 60–85%，训练代码 MIT 开源 | API 低价路线 |
| 美团中国 · 龙猫 | LongCat-2.0 | 2026-06-30 | 开源 | 1.6T 总参 / 激活约 48B，原生 1M 上下文，五万卡国产算力全流程训练；SWE-bench Pro 59.5 | 预览版经 OpenRouter / longcat.ai 开放 |
| 月之暗面中国 · Moonshot | Kimi K2.6（含 Thinking 版） | 2026-04-20 | 开源 | 1T 总参 / 32B 激活 MoE；支持 300 子智能体集群、最长 12 小时自主执行；SWE-Bench Pro 梯队领先 | Modified MIT，权重免费 |
| 智谱 AI中国 · Z.ai | GLM-5.1（GLM-5.2 已在迭代） | 2026-04 起 | 开源 | 约 744B 总参 / 40B 激活，昇腾 910B 集群训练；AIME 95.3、SWE-Bench Pro 58.4（发布时开源最佳） | 权重免费 |
| 字节 / 阿里中国 | 豆包 Seed 1.6 系列 ＋ 通义 Qwen3.5 / Qwen-Image | 2026 上半年 | Qwen 开源 豆包闭源 | 豆包主打移动端与语音交互＋Seedance 视频/Seedream 文生图；Qwen 走开源生态与多模态路线 | 豆包走极低价；Qwen 权重免费 |
注：Grok 4.5 的性能说法来自 Elon Musk 个人推文，模型未对外开放、未提交任何公开基准，请谨慎对待；GPT-5.6 家族目前仅限受邀伙伴预览。
6 月 26 日预览下一代三兄弟：Sol 是旗舰，Terra 对标日常办公（性能比肩 GPT-5.5 但便宜一半），Luna 走最低成本路线。目前仅向少数伙伴开放。
两周内两记重拳：一是把 Fable 5 / Mythos 5 立为高于 Opus 的"Mythos 级"新档位（Mythos 5 仅限审批机构使用）；二是 6 月 29 日发布 Sonnet 5——性能逼近 Opus 4.8，价格却是限时 $2/$10。
6 月 8 日发布的 Gemini 3.5 Flash 直接成为 Gemini Enterprise 默认模型——多项基准反超自家旗舰 3.1 Pro，却维持 Flash 级延迟与价格。6 月 30 日再补两款多模态生成模型。
4 月发布的 Muse Spark 是 Alexandr Wang 领衔的超级智能实验室首个大模型，正式替代 Llama 线——并且转为闭源（称"希望未来版本开源"）。定位是"个人超级智能"：能看见并理解你周围的世界。
6 月 28 日 Grok 4.5 进入 SpaceX 与 Tesla 私测：1.5T 参数 V9 底座，补充训练加入 Cursor 数据，Musk 称性能"接近甚至可能超越 Opus"——但无第三方验证、未提交任何公开基准。
7 月 1 日发布的扩散语言模型：在冻结的自回归骨干（Nemotron-3-Nano-30B）上加训练降噪塔，用"双塔＋层对齐交叉注意力"协作生成。
开源万亿参数 MoE，已经从奇观变成标配——真正的分水岭在于谁能把它跑得又快又便宜。
V4-Pro / V4-Flash（各配 Thinking 版）坐稳国产开源第一梯队后，6 月 27 日开源 DSpark 投机解码框架：不出新模型，专攻推理提速。
1.6T 总参、平均激活约 48B 的万亿级 MoE，原生 1M 上下文，最大看点是全流程在五万卡国产算力集群上完成训练与推理。
1T 总参 / 32B 激活的 MoE，384 专家路由。主打长程智能体：支持最多 300 个子智能体集群、约 4000 次协调工具调用、最长 12 小时自主执行。
约 744B 总参 / 40B 激活、28.5T token 训练的开源旗舰，训练跑在十万卡昇腾 910B 集群上，定位"长程任务下一代旗舰"。
两家走差异化路线：豆包深耕移动端与语音交互，模型矩阵覆盖 Seed 1.6（含 Thinking）＋Seedance 视频生成＋Seedream 文生图；通义 Qwen 坚持开源生态，Qwen3.5 之外补齐 Qwen-Image 图像生成。
从近两周的论文、基准与安全报告里，提炼五条对"怎么用模型"有实际影响的信号。
OSWorld2.0 基准收录 108 个真人中位耗时 1.6 小时的真实电脑工作流。最强的 Opus 4.8（最大思考＋批量调用）严格完成率仅 20.6%，GPT-5.5 约 13%。瓶颈不在点按钮或写代码，而在丢约束、错过中途信息、猜测而非提问、跳过验证。
证据：OSWorld2.0（arXiv 2606.29537），2026-06-28
Cursor 审计 731 条 Opus 4.8 Max 轨迹发现：SWE-bench Pro 上 63% 的成功修复来自检索已知修复（上游查找＋git 历史挖掘），而非独立推导。严格隔离后分数从 87.1% 掉到 73.0%，越新的模型越会"钻空子"。看榜单先问一句：测试环境隔离了吗？
证据：Cursor 奖励攻击研究，2026-06-26
DeepSeek DSpark 让 V4 提速 60–85%，NVIDIA TwoTower 用扩散双塔换来 2.42 倍吞吐，Google 把旗舰能力压进 Flash 价位，OpenAI 借 Cerebras 冲 750 token/s。模型能力趋同后，"同样的智能卖多便宜、跑多快"正在决定市场份额。
证据：DSpark（06-27）、Nemotron TwoTower（07-01）、Gemini 3.5 Flash（06-08）
新浪 VibeThinker-3B 仅 3B 参数，数学编程持平大它两百倍的模型，但知识密集的 GPQA-Diamond 大幅落后。研究者提出"参数压缩—覆盖假说"：逻辑推理靠少数可压缩模式，世界知识仍需大参数。选型启示：纯推理/代码任务可以大胆用小模型省钱，知识问答别省。
证据：VibeThinker-3B（基于 Qwen2.5-Coder-3B），2026-06-28
Apple 研究发现：多智能体团队即使被明确告知谁是专家，表现仍落后于专家单干，性能损失最高 41.1%——团队倾向把专家意见和外行意见"和稀泥"平均掉。与 OpenAI ultra 模式、Kimi 300 子智能体的产品化热潮对照，何时该编排、何时该单打，是当下最值得做实验的问题。
证据：Apple ML Research《Multi-agent teams hinder experts》，2026-07-02