计算机行业周报20260817：大模型竞相“打榜”：如何评估谁最强？

大模型竞相“打榜”：如何评估谁最强？ glmszqdatemark2026年08月17日 推荐 维持评级 市场回顾 本周（08.10-08.14）沪深300指数下跌0.61%，中小板指数下跌0.63%，创业板指数上涨1.77%，计算机（中信）板块下跌0.47%。板块个股涨幅前五名分别为：兆日科技、ST易联众、春秋电子、云赛智联、数据港；跌幅前五名分别为：汇金科技、朗科科技、新开普、*ST航图、科蓝软件。 行业要闻 SpaceX600亿美元收购AI编程公司Cursor林俊旸创办语用科技，聚焦数字世界和物理世界中的下一代Agent研究DeepSeek V4 Pro正式版发布 分析师吕伟执业证书：S0590525110033邮箱：lvwei_yj@glms.com.cn 公司动态 分析师白青瑞执业证书：S0590526040005邮箱：baiqingrui@glms.com.cn 智谱：8月14日，智谱发布GLM-5.3，与GLM-5.2相比，基座模型没变，但通过极致的后训练Scaling大大提高了模型的智能上界：数十倍的长程任务环境、更丰富多样的环境类型、超长的后训练时间。相比前代，GLM-5.3的新能力包括：1)更强的编程能力，在包括Terminal Bench 3.0、Agents' Last Exam (CLI)在内的公开基准测试中取得开源第一。2）网络安全能力，在白盒代码审查与漏洞发现等安全任务中，GLM-5.3的表现持平Mythos 5，展现出面向网络安全防御场景的强大潜力。 投资建议 伴随开源模型与闭源模型差距持续收窄，K3 License开创的分成模式有望加速渗透，DeepSeek的涨价正式打开国内大模型量价齐升的商业化黄金期，利好开源模型公司与算力租赁厂商两大方向。建议重点关注：1）开源模型方向的智谱、MiniMax。2）算力租赁方向的宏景科技、集智股份（ARM Token工厂）、协创数据、利通电子、行云科技、智微智能、阿里巴巴、优刻得、金山云等标的。 相关研究 1．计算机行业周报20260809：大模型进入量价齐升的商业化黄金期-2026/08/092．计算机行业事件点评：AI应用弹性方向之金融与支付-2026/08/033．计算机行业事件点评：从“码农”到FDE：计算机行业重估的关键-2026/08/034．计算机行业事件点评：K3激活开源模型+云及算力租赁商业空间-2026/08/025．计算机行业周报20260801：AI主线投资重心是否向应用倾斜？-2026/08/02 风险提示：人工智能政策不及预期，行业竞争加剧。 目录 1本周观点.................................................................................................................................................................31.1近期大模型密集发布，多项评测指标成为评估关键...................................................................................................................31.2哪些Benchmark值得重点看.........................................................................................................................................................41.3 2026最新Agent Benchmark全景解读......................................................................................................................................71.4投资建议............................................................................................................................................................................................132行业新闻..............................................................................................................................................................133公司新闻..............................................................................................................................................................154本周市场回顾........................................................................................................................................................165风险提示..............................................................................................................................................................18插图目录..................................................................................................................................................................19表格目录..................................................................................................................................................................19 1本周观点 1.1近期大模型密集发布，多项评测指标成为评估关键 2026年7月中旬以来，国产语言大模型迎来了一轮密集发布潮： 7月17日，月之暗面发布新一代开源大模型Kimi K3（总参数量2.8万亿），原生搭载视觉理解、支持百万词元超长上下文，拿下Frontend Code Arena编程榜单榜首，实现开源模型首次超越头部闭源模型登顶。 7月31日，DeepSeek宣布DeepSeek-V4-Flash正式版API上线公测。据官方更新日志，正式版在Agent能力上大幅增强，多项基准测试远超预览版；模型结构、尺寸与预览版保持一致，仅重新进行了后训练。 8月3日，阿里巴巴正式发布新一代基座大模型Qwen3.8，总参数量2.4万亿，在编程（Coding）和专业办公（Cowork）方面能力大幅提升。 8月13日，DeepSeek-V4-Pro-0813正式版上线。Agent能力几乎全面提升，知名机构SemiAnalysis表示，DeepSeek V4 Pro和Flash在Agent相关测试中，都甩开了参数更大的英伟达Nemotron 3 Ultra模型。 8月14日，智谱正式发布新一代基座模型GLM-5.3。该模型通过后训练提高了模型的智能上限，在包括Terminal Bench 3.0、Agents' Last Exam（CLI）在内的公开基准测试中取得开源第一。 各家模型在Benchmark展示上维度不一、侧重点各异。Kimi K3分编程能力、通用智能体能力、视觉智能体能力三方面展示；DeepSeek V4 Pro聚焦Agent能力；GLM-5.3则分编程能力、网络安全、智能体综合能力三方面呈现。各家榜 单口径不一、维度各异，面对如此密集的发布与纷繁的评测数据，普通投资者和从业者难免感到困惑。那么，我们究竟应如何透过这些benchmark科学评判大模型的优劣？哪些指标最具参考价值？ 1.2哪些Benchmark值得重点看 2026年初，一项发表在arXiv上的系统性研究分析了60个主流大语言模型基准，结论令人不安——近一半的基准已经饱和，即排名靠前的模型得分趋同，基准失去区分能力。因此评估一个Benchmark的重要标准就是任务真实反映实际工作场景，同时足够难，使得前沿模型得分尚未饱和，能在更宽分数区间区分前沿智能体。 工具调用与MCP编排能力重点关注Toolathlon Verified。ToolathlonVerified2026年6月发布，由中国香港科技大学自然语言处理组（HKUST-NLP）主导开发，主要评估智能体在现实环境中工具使用能力。 环境交互与计算机操作能力重点关注Terminal-Bench 3.0。2026年5月发布的Terminal-Bench 2.1评估的是AI Agent通过终端操作计算机的能力。但目前各家最优大模型在这一基准的得分均在88分左右，差距过小，区分模型的能力较差，而目前新发布的Terminal-Bench 3.0难度较高，目前GLM-5.3较GLM-5.2的分数4.有较大提升，是当前排名最高的开源模型，分数达到28.3，与其他国产开源模型拉开较大差距。 代码开发与软件工程测评是各家大模型重点关注的核心测评能力，值得重点关注的基准是DeepSWE、NL2Repo和ProgramBench。早期代码评测基准主要使用SWE-bench，通过挖掘公开GitHub仓库中的已合并修复来构建测试任务，但修复方案和讨论早已公开、可能已被纳入模型预训练数据，高分反映的可能是“记忆”而非真正的“问题解决能力”。而DeepSWE基准的任务从头编写、永不回灌上游，参考解不会出现在训练数据；并用手写验证器检验功能是否实现、接受任意正确实现。DeepSWE v1.1保留了与v1相同的长期工程任务，但通过在干净、隔离的环境中对已提交代码进行评分，更新了代理的执行和评分方式，使结果更易于重现、审计和分析。NL2Repo是评估编码智能体长周期仓库生成能力而设计的基准测试，主要考察模型的从零开始工作的能力。目前最前沿的大模型在这两项上的得分在在70分左右，未来仍然可以很好的作为区分标准。ProgramBench是Meta2026年5月推出用于衡量软件工程智能体整体性地开发软件的能力的Benchmark，目前各前沿大模型得分主要分布在10-30分，区分能力较好。 高级推理与长周期规划能力重点关注HLE w/Tools、Agents’Last Exam、AutomationBench。HLE（Humanity‘s Last Exam）是一个位于人类知识前沿的多模态基准测试，HLE w/Tools分别指的是使用工具和不适用工具，目前各前沿大模型分数在60分左右。不同于HLE考察人类知识的极限, Agents’Last Exam测试的是AI Agent干活的极限，号称“智能体最后的考试”的全新基准测试，目前各