8月以来，前沿模型团队的迭代节奏进一步加快。截至9月8日，共有7家公司发布新的模型：OpenAI GPT-6 Astra、Anthropic Claude Fable 5.1、Google Gemini 3.8 Flash、阿里Qwen3.8-Max、DeepSeek V4-Flash与V4-Pro、智谱GLM-5.3，以及腾讯Hy4-preview。chatgptclaudegooglegemini阿里千问deepseek智谱腾讯混元

xbench 对这一批新模型从科学推理（ScienceQA）、多模态理解（BabyVision）、真实复杂长程任务（OneMillion-Bench）三个维度进行评测，并更新了leaderboard。

结合本期重点模型的公开发布信息与榜单数据，本轮迭代各个榜单的总结：

· GPT-6 Astra的多模态推理能力断层式领先，BabyVision首次有模型近Human baseline：GPT-6 Astra以88.92分登顶第一，距Human baseline（94.10）仅差 5.18分，领先第二名Gemini 3.7 Flash（73.45）15.47分，是榜单最大的第一名领先幅度。OpenAI视觉条线四代累计提升54.52分，多模态理解从差异化卖点正在变成模型核心竞争维度。

· ScienceQA头部密度持续上升，模型挤入70–80分区间：榜首仍是Claude Opus 4.8（76.4/84.0），但本月新增模型高度密集地落在69–75分区间：Claude Fable 5.1、GPT-6 Astra、Qwen3.8-max、Gemini 3.8 Flash、DeepSeek-V4-Flash 等均在此区间。分数上限未有明显突破，竞争转向效率与性价比。

· OneMillion-Bench榜单中Claude系列继续保持榜首，腾讯Hy4-preview跃升至第二：Claude Fable 5.1以PR42.1%登顶榜首，较上一代Fable 5（33.6%）提升 8.5个百分点，腾讯Hy4-preview以PR 35.3%从中下游位置直接跳到第二名。