已登记来源有没有明显变化
例如结构化榜单条目变化、官网页面指纹变化，或官方仓库暂时无法访问。
30 秒判断要不要继续看
这页能发现线索，不能替你下结论
先看它能回答什么，再决定是否展开旧快照和技术细节。新模型发布与“今天是否降智”
固定采集器不理解新型号、评测方法变化和真实体验，不能把一次波动写成能力回退。
固定规则先筛，复杂变化再核对
明显变化会先被标记；是否值得改正式结论，还要继续核对原始来源和评测口径。
先看日期，再回正式模型页
快照只用于发现值得复核的线索；最终选择仍以最新模型资料、对比页和自己的任务测试为准。
最近一次数据快照
先看数据有多旧，再看发生了什么
这是一份带日期的历史摘要，不承诺实时更新。快照较旧时，请直接打开对应官方来源确认当前状态。核心数据通过固定规则校验 · 2026/07/14 02:28
snapshot-e0406621107abf8e
只有来源和口径都可核对时，才保留新快照
这里的快照只提供线索，不会直接改变推荐
来源怎么理解
三类监测信息，不能混成一个排名
读取官方提供的明确字段和成绩，可用于发现榜单条目变化。
- SWE-bench 官方结构化榜单本次已读取
只判断价格页等官方页面是否发生明显变化，不把网页文字直接当成新结论。
- DeepSeek 官方价格页本次已读取
确认官方仓库仍可访问、身份没有改变；它不是模型能力分数。
- LiveBench 官方仓库本次已读取
历史检查
每次检查都留下可回看的摘要
- 轻量来源检查校验通过
来源 3/3 个成功； 变化 3 项； 异常 0 项
历史数据样例
需要核对方法时再展开
下面使用 2026-07-10 打包快照重复验证规则。它不是实时榜单，也不是当前模型结论；第一次访问无需阅读全部技术细节。展开旧快照与规则筛选结果适合想进一步核对来源、快照日期和变化记录的人
打包快照日期2026-07-10
这份快照的检查时间2026-07-10 08:00 UTC
固定规则结果1 项保持，4 项需要观察
本次规则运行结果
正式结论和候选结论
正式结论是首页当前采用的版本；候选结论只用于观察，不代表已经通过人工复核。阅读方式
当前显示 5 个场景；候选变化不会自动生效
通用推理
候选变化：正式为 Fable 5、Sol，候选为 Fable 5
正式结论（首页正在使用）Fable 5 与 Sol 同处通用推理前沿
来自本轮人工调研和多来源核验，本实验不会修改它。
候选结论（规则试运行）影子候选建议 Fable 5；仅供人工复核，不会修改正式结论。
只用于比较和观察，不代表已经通过人工复核。
为什么得到这个结果
- 2 个原始指标先在各自相同测试环境内比较，再汇总跨来源支持。
- Fable 5 的时间与来源质量加权分为 100，获得 2 个独立来源支持。
- 判断把握
- 高（规则评分 89/100）
- 独立来源
- 2 组
- 最近测量
- 2026-07-02 00:00 UTC
- 比较指标
- AA v4.1 分数、Vals Index %
规则评分用于说明来源数量、新鲜度和可比性，不是正确率，也不是结论成立的概率。
仓库修复
证据不足：未生成可替换 Sol 的候选结论
正式结论（首页正在使用）仓库修复优先 Sol
来自本轮人工调研和多来源核验，本实验不会修改它。
候选结论（规则试运行）可用独立证据不足，本轮不生成候选更新；正式结论仍为“仓库修复优先 Sol”。
只用于比较和观察，不代表已经通过人工复核。
为什么得到这个结果
- 1 个原始指标先在各自相同测试环境内比较，再汇总跨来源支持。
- Fable 5 独立来源不足（1/2）；Sol 独立来源不足（1/2），不能推动更新。
- 判断把握
- 无（规则评分 0/100）
- 独立来源
- 0 组
- 最近测量
- 暂无可用时间
- 比较指标
- SWE-bench Verified 通过率 %
规则评分用于说明来源数量、新鲜度和可比性，不是正确率，也不是结论成立的概率。
完整应用
保持：候选与正式结论一致（Fable 5）
正式结论（首页正在使用）完整应用优先 Fable 5
来自本轮人工调研和多来源核验，本实验不会修改它。
候选结论（规则试运行）候选结论与正式基线一致：推荐 Fable 5。
只用于比较和观察，不代表已经通过人工复核。
为什么得到这个结果
- 2 个原始指标先在各自相同测试环境内比较，再汇总跨来源支持。
- Fable 5 的时间与来源质量加权分为 100，获得 2 个独立来源支持。
- 判断把握
- 高（规则评分 88/100）
- 独立来源
- 2 组
- 最近测量
- 2026-07-04 00:00 UTC
- 比较指标
- CursorBench 3.2 得分 %、Vibe Code Bench 得分 %
规则评分用于说明来源数量、新鲜度和可比性，不是正确率，也不是结论成立的概率。
终端代理
证据不足：未生成可替换 Sol 的候选结论
正式结论（首页正在使用）终端长任务优先 Sol
来自本轮人工调研和多来源核验，本实验不会修改它。
候选结论（规则试运行）可用独立证据不足，本轮不生成候选更新；正式结论仍为“终端长任务优先 Sol”。
只用于比较和观察，不代表已经通过人工复核。
为什么得到这个结果
- 1 个原始指标先在各自相同测试环境内比较，再汇总跨来源支持。
- Fable 5 独立来源不足（1/2）；Sol 独立来源不足（1/2），不能推动更新。
- 判断把握
- 无（规则评分 0/100）
- 独立来源
- 0 组
- 最近测量
- 暂无可用时间
- 比较指标
- Terminal-Bench 2.1 通过率 %
规则评分用于说明来源数量、新鲜度和可比性，不是正确率，也不是结论成立的概率。
成本敏感
阻断：存在异常或不完整观测，正式结论 DeepSeek V4 Pro 不变
正式结论（首页正在使用）批量成本敏感任务优先 DeepSeek V4 Pro
来自本轮人工调研和多来源核验，本实验不会修改它。
候选结论（规则试运行）存在异常或不完整观测，本轮保留正式结论“批量成本敏感任务优先 DeepSeek V4 Pro”，等待人工复核。
只用于比较和观察，不代表已经通过人工复核。
为什么得到这个结果
- 1 个原始指标先在各自相同测试环境内比较，再汇总跨来源支持。
- DeepSeek V4 Pro 独立来源不足（1/2）；Qwen 3.7 Plus 独立来源不足（1/2），不能推动更新。
- Grok 4.5 的异常跃迁已进入阻断区。
- 判断把握
- 无（规则评分 0/100）
- 独立来源
- 0 组
- 最近测量
- 暂无可用时间
- 比较指标
- 估算任务成本 USD
规则评分用于说明来源数量、新鲜度和可比性，不是正确率，也不是结论成立的概率。
安全护栏
被阻断的变化
单一来源、数据过期、字段不完整、测试环境不可比或异常跳变，都不能静默改变候选结论。Fable 5
同一指标与测试环境内缺少可比较模型
Sol
同一指标与测试环境内缺少可比较模型
Fable 5
同一指标与测试环境内缺少可比较模型
Sol
同一指标与测试环境内缺少可比较模型
Grok 4.5
输入已标记为异常，等待人工核验
怎样避免误判
四步判断一条变化值不值得相信
先核对来源和日期，再核对比较口径；证据不足时保留疑问，不急着改模型选择。优先看官方页面、项目仓库或有明确方法说明的独立评测。
模型、推理档和测试方法都可能变化；旧快照不能冒充今天的结果。
服务状态、榜单分数、价格变化和社区体验不能直接相加。
重要能力结论需要不同方法互相支持，单一来源只适合提出问题。
只有数据可比、来源稳定并经过复核，才可能进入正式模型资料。
先排除服务故障、样本不足和评测变化，再讨论能力回退。