性能基准

Claude Code 是 Anthropic 为开发者打造的智能编程代理工具。它直接在代码库中运行，帮助开发者在终端、IDE、Slack 或网页端完成代码编写、调试与发布。该工具支持快速解析项目结构与依赖、执行跨多文件的代码编辑、自动化运行测试并提交 PR，还能直接操作浏览器与本地开发工具完成复杂任务，全程在本地终端运行，修改文件或执行命令前需用户明确授权

Ling-3.0-flash 是蚂蚁百灵（inclusionAI）推出的混合专家（MoE）大模型，总参数约 1240 亿，每 token 激活约 51 亿参数，支持 262144 token 上下文窗口、单次最大输出 32768 token。该模型已上架 OpenRouter，可通过统一 API 免费调用，适合需要长上下文与低成本推理的开发场景。

Gemini Robotics 2 是 Google DeepMind 发布的视觉-语言-动作（VLA）模型，将视觉与语言输入转换为机器人运动控制，可在双手机器人上数小时内完成适配，并扩展到复杂人形机器人的全身智能控制，实现精细灵巧操作与智能体推理。

deja-vu 是一个零依赖的 Go 二进制工具，为 Claude Code、Codex、opencode、aider、Gemini CLI、Cursor 等编码智能体提供记忆层。它将智能体会话日志转化为可搜索的本地倒排索引，支持毫秒级全文检索、MCP recall 工具让智能体自动回忆过往解决方案、SessionStart 钩子自动注入相关上下文、密钥脱敏、会话统计与分享、跨机器同步等功能。无需下载模型或运行服务，所有数据留在本地。

Kdrant 是面向 Qdrant 向量数据库的 Kotlin 协程优先客户端：所有操作为 suspend 函数，提供类型安全的集合、点与过滤 DSL，基于 Ktor 与 kotlinx-serialization，无 gRPC/Netty 依赖。Kdrant 已发布 1.1.0 至 Maven Central，支持稠密+稀疏混合检索（RRF/DBSF）、分组与批量搜索、多向量，并附带 Spring Boot、Spring AI、LangChain4j 集成，便于构建 RAG 应用。

LongHorizon-Harness 是 AMAP-ML 开源的长时程电脑操作 harness，把规划、执行、审计拆成 Manager、Executor、Auditor 三个角色：执行器每轮以全新上下文只做一个子任务，只读审计器基于环境实际变化认证结果，任务状态可持久保存与恢复。它不训练新模型，而是运行在 Claude Code、Codex 等系统之上，让智能体跨桌面应用与命令行连续自主工作数十小时。

DevOps Open Agent 是开源、可自托管的 AI 驱动 DevOps 排障平台，帮助 DevOps 工程师、SRE 和平台团队调查基础设施问题、优化云成本、审查 Pull Request、调试性能并扫描安全漏洞。支持按需或定时主动运行，并将建议推送至 Slack、Microsoft Teams 和 PagerDuty。提供 Kubernetes 调试、AWS 多账户排障（STS AssumeRole）、云成本检测、PR 审查、Linux 性能调试与安全扫描等模块。

GPT-5.6是OpenAI推出的新一代前沿大模型，专注于复杂编程推理与专业知识自动化处理。它能够调用编程工具自主运行轻量程序以协调多步复杂工作流，并支持并行多智能体协同攻关。在专业场景中，GPT-5.6可精准遵循指定模板与参考文件规范，自动整合多平台文档数据并生成高质量演示文稿、财务报表及交互式前端界面，为研发、运营与科研团队提供高成本效益的智能协作支持

Ling-3.0-tiny 是蚂蚁百灵（inclusionAI）开源的轻量级混合推理 MoE 模型，总参数 7.9B，每 token 仅激活 1.3B 参数，采用 KDA 与 MLA 按 3:1 交替堆叠加 128 路由专家的稀疏 MoE FFN。支持快速响应与多步骤推理两种模式，可按请求开关思考模式，在智能体任务、代码、数学与科学推理、长上下文理解上表现均衡，并提供 BF16、FP8、INT4 权重，已在 DGX Spark、Apple Silicon MacBook 与 Mac mini 上验证本地部署。

SGLang 是由非营利开源组织 LMSYS 托管的大语言模型与多模态模型高性能推理服务框架，面向生产级部署设计，可在单卡到大规模分布式集群之间提供低延迟、高吞吐的推理服务，目前支撑全球超过 40 万块 GPU 上的大规模生产部署，每天生成数万亿 token。

Alibi 是一个 MIT 许可的编程智能体评分框架，为 Claude Code、OpenAI Codex 等 agentic CLI 下发相同任务，并在 Bubblewrap 沙箱中运行。它不采信智能体自述，而是依据磁盘上的真实结果打分：目标文件是否存在、内容是否符合要求、指定测试是否通过、是否越权改写允许范围外的文件。运行后保留工作目录与日志以便复算，并支持 Ed25519 签名的 Traceseal 回执使评分可防篡改验证。

AMD ROCm 是 AMD 的开源 GPU 计算开放软件平台，提供编译器、运行时和数学/稀疏/通信库等完整生态，支持 AI、HPC 及领域特定负载，针对 Instinct、Radeon、Ryzen AI 平台优化。ROCm 包含 HIP 运行时、性能分析与调试工具，并通过 PyTorch、JAX、vLLM、SGLang、MIGraphX、ONNX Runtime 等框架支持深度学习训练与 AI 推理，同时提供 ROCm.AI（含 Hyperloom 自主智能体、AMD Skills 技能库与 ROCm CLI）。

Artifacts Hub 是 Interconnects 推出的开源模型策展数据站，收录近两年发布的 792 个文本与多模态生成模型，聚合 Hugging Face 下载量、Open Router 每日推理 token、Artificial Analysis 智能指数以及相对采用指标 RAM 与 VAIL 相似度指数，配套 Adoption Dashboard 按地区和机构追踪下载与衍生模型数量，供研究者量化对比开源模型采用趋势。

Artificial Analysis 是独立的 AI 基准评测平台，基于自有评测体系发布智能指数、编程 Agent 指数、图像与视频及语音榜单、开放度指数，并对比各推理提供商的价格、输出 tokens、速度与延迟。平台提供数据 Playground、自定义图表表格、数据导出与 API，帮助开发者按智能、速度和成本挑选模型与 API 服务商。

Audit Vibe Coding 是 Inithouse 推出的 AI 生成（vibecoded）项目专业审计服务。用户只需提交一个 URL，无需开放仓库访问，即可获得 0-100 分综合评分报告。审计覆盖安全、隐私、稳定性、性能、SEO/GEO、无障碍、UX 流程、移动端体验共 8 大领域 47 项检查，每项带严重程度权重，报告按严重程度与修复难度排序，并附截图、代码片段和网络追踪等证据及优先修复建议。官方称 vibecoded 项目平均得分 31，80 分才达到生产就绪标准。

Better Harness 是阿里云 Qoder 开源的编程 Agent 分析与持续改进工具，评估 Claude Code、Codex、Cursor 等编程智能体如何理解任务、执行修改、验证结果并从每次运行中学习，帮助开发者构建更可靠、可重复且持续改进的 Agent 工作流。工具会审查智能体工作流并生成报告，每条 Finding 都附带可见证据、用户影响、修复范围与验收检查，采用 MIT 许可证并适配多种编程 Agent 宿主。

BigModel（智谱大模型开放平台，bigmodel.cn）是智谱推出的一站式 MaaS 平台，面向企业与开发者提供 GLM 系列文本、视觉、图像、视频、音频模型的 API 调用，支持模型精调微调、专属资源部署、模型评测、联网搜索与知识库检索，并提供 Python/Java SDK、OpenAI 兼容接口及 LangChain 集成；2026 年 9 月宣布可申请数据内容不留存机制。

Castform 是一个模型训练平台，专注于对任务专用模型做后训练、评估与上线。平台可从现有语料库、智能体 trace 等已有数据自动生成训练集，支持定义工具与奖励函数、监控训练过程，并提供 LLM 裁判、批量评测与 playground，对接 Qwen、Gemma 等开源模型，目标是以开源成本达到前沿模型水平。

Chatbot Arena 是 LMSYS 维护的大语言模型众包对战评测平台，通过匿名随机配对的真实用户投票对模型进行排名，并提供公开排行榜。平台覆盖文本、视觉、图像和代码等多类竞技场，是行业内被广泛引用的 LLM 能力基准之一。

Codex是OpenAI推出的AI编程智能体，现已集成至ChatGPT。它能够端到端地完成构建新功能、复杂代码重构、迁移及拉取请求等软件工程任务。该工具基于多智能体架构，支持在云端并行处理多个项目工作。用户可通过内置Skills功能自定义团队开发标准与流程，并调度其自动执行问题分类、告警监控与CI/CD等后台运维任务。此外，它提供深度测试生成与代码审查能力，且支持通过ChatGPT网页端、IDE插件及命令行终端跨平台无缝协同

Compute:Arena 是面向本地 AI 推理的社区提交式性能基准平台：用户在自有硬件上通过 macOS/Linux CLI 离线运行签名测试报告，按模型、量化格式、芯片与运行时（BaseRT、llama.cpp）对比 PP512 预填充和 TG128 解码速度，帮助开发者为边缘设备选择模型与量化方案。

CUA-Lite 是 UC Berkeley 团队开源的计算机操作智能体（CUA）开放平台，用一套动作空间、一套 LiteSample 数据格式和一条命令，打通桌面、浏览器与移动端的智能体、沙箱环境、数据集、评测与训练。内置 10+ 智能体、15+ 基准与 30k+ 可验证任务的免虚拟机沙箱，并支持 SFT 与基于 Slime 的 GRPO 强化学习训练。

deepseek-v4-flash-mi300x 是一个开源仓库，收录在单颗 AMD MI300X（192GB HBM3）上生产运行 deepseek-ai/DeepSeek-V4-Flash-0731 所需的 Docker Compose 部署栈、SHA-256 锁定文件覆盖、对上游的参考补丁与调优表格。模型按原样加载，无需额外量化或权重卸载，并给出解码、预填充、并发吞吐与 256K 上下文实测数据。

DSH × Blender Plugin 是 BSD-3-Clause 开源插件，让 AI 模型经一条直连 TCP 通道实时驱动 Blender 4.x/5.x，无需点击或截图投喂。提供视口取帧、任意角度离屏渲染、场景编辑回看、时序观察、内部搜索循环、渲染性能分析、安全减面、无头批量渲染等 10 个原语，自带 Node+Python 运行时，需另装 MCP for Blender 插件。