所有核心信息均来自原报告 Artificial Analysis State of AI – Q3 2025 – Highlights Edition 。Lin 师傅只做策展和解读部分。
Artificial Analysis是一家专注做独立评测与洞察的机构：既跑模型基准、也跑性能与成本对比，数据覆盖从语言模型 API 到“百万投票”的竞技场。它们的季度报告，对于工程、产品与投资从业者的决策提供重要参考。
摘要：Q3 的 AI 世界在加速
竞争更白热化 ：从模型到产品，创新没有停下。xAI 已与 OpenAI、Google、Anthropic 一起挤进报告的 智能指数 第一梯队；还有十几家（多为中国团队）紧随其后。（见“编者按”和智能指数曲线）
“智能体”（Agent）成为主角 ：更长的工具使用链路、更多多步任务，正成为各大实验室发力点。
图像编辑与视频生成走向大众 ：尤其是 Gemini 2.5 Flash Image-preview（代号 Nano Banana ）带火了“指令式”图片编辑；视频模型整体质量快进。
开放权重（Open Weights）的开源模型迎来高产季 ：OpenAI 时隔 GPT-2 之后再次发布开放权重模型，与多家中国团队的领先开源权重“正面交锋”。
端到端“语音对语音”（Speech-to-Speech）可上生产 ：转写、合成与原生语音推理都在成熟，企业语音智能体加速落地。
01. 行业概览（Industry Overview）
谁更“全栈”？
报告用一张“大地图”比了各环节的自研能力： Google 从自家 TPU 加速器到 Gemini 应用的纵向整合最深；OpenAI、xAI、Anthropic、Meta 等在模型与应用层强势，NVIDIA 则在硬件层统治力十足。（见 第14页 图）
大厂砸钱、芯片吃肉
资本开支抬升 ：欧美大厂把“AI 基建”当硬投入。示例： Microsoft 威斯康星数据中心 70 亿美元、Google 印度投资 150 亿美元 。同时，xAI 传出计划购入 30 万片 NVIDIA GPU；OpenAI 预计到 2030 年累计投入超 1500 亿美元 。（见 第9页 ）
价值被芯片商捕获 ：NVIDIA、AMD、Broadcom 都在营收与市值上受益。
02. 语言模型（Language Models）
效率提升了， 但算力更“饿”了
如示意图左侧图片显示，更小更聪明的模型、推理软件优化及新一代硬件，确实把 单位成本 降下来了；
但 更大的推理模型（Reasoning Models） 、更长的“思考”输出、更像“智能体”的多步任务，又把 每次任务的总算力需求 推高。
结果“ 像 GPT-4 的智能，现在比当初便宜了 100 倍，但新应用更吃算力。 ”
谁是“最聪明”的模型？
OpenAI重夺第一 ： GPT-5（High） 在 Artificial Analysis Intelligence Index v3.0 上得分 68 ，领先 Grok 4（65） 、 Claude 4.5 Sonnet（Thinking, 63） 、 Gemini 2.5 Pro（60） 。（见 第18页曲线 ）
美国实验室暂居前列 ：OpenAI、xAI、Anthropic、Google 占据前 7；阿里（Qwen3）、DeepSeek、Mistral、Z.ai 等全球同行紧追。（见 第20页 柱状）
（ 注：该“智能指数”综合 10 项评测：MMLU-Pro、GPQA Diamond、Humanity’s Last Exam、LiveCodeBench、SciCode、AIME 2025、IFBench、AA-LCR、Terminal-Bench Hard、τ²-Bench Telecom。但共同目的都是测模型“理解、推理、编程、专业知识”等综合能力。 讲白了，就是个自己造的行业指数）
谁更受企业欢迎？
与 2024 年比， OpenAI 基本盘稳 （+1p.p.）， Google Gemini、DeepSeek、xAI Grok 熱度增长明显； Llama、Mistral 略有回落。
价格在跌，但“高智价位带”更稳
推理价格（Inference Pricing） 在各智力段位整体下降： Grok 4 Fast、GPT-5 nano、gpt-oss-20B 的发布拉动 40+ 智能指数段 的价格普遍 腰斩 。但在 最高智力带 ，因“新一档智能”不断解锁，价格降幅相对小。
开源模型正在追前沿
前沿仍由闭源模型领跑 （GPT-5、Grok 4、Claude 4.5 等），但 OpenAI 的 gpt-oss-120B 把美国实验室也拉回了开放权重前沿。
“推理模型”到底“更贵”在哪？
在同一套综合评测里， 推理型 模型平均要产出 约 7700 万 输出令牌，而 非推理型 平均 约 1400 万 。也就是它们会“先想再答”，因此 更费算 。
语言模型 × 智能体（Agents）
什么是“智能体”？
一句话： 由大语言模型（LLM, Large Language Model）驱动、能自主规划并调用工具、把任务从头做到尾的系统 。
（ 注：工具 可以是“读写文件、代码执行、联网抓取、调用企业内工具（如 MCP 服务器）等”。）
Q3新模型怎么为“会用工具”而生？
多家闭源与开放权重模型在 预训练 与 强化学习（RL） 阶段，明确针对 工具调用 与 多步任务 做了优化；报告把这类能力做成了独立的 Agentic Index ，显示近几月明显提升。（见 第41页 ）
大家都在做哪些“智能体”？
编码、深度研究、电脑操作 是头部实验室聚焦的三大场景； 客户支持、销售 也有多个玩家形成竞争格局。
聊天应用正“长出”更多手脚
从 2023 年的“纯聊天”，到 2024 年的“增强推理”，再到 2025 年的 嵌入式智能体 + 深度连接 ：网页搜索、云端文件、Google Workspace、企业搜索/连接器、代码执行、App 形态……一步步把 多步工作流 打通。
03. 图像与视频（Image & Video）
关键词： 视频快进、图像编辑出圈、音频加持
视频质量猛进 ：排行榜更新很快——Q1 还领跑“图生视频”的 Runway Gen 3，如今仅列 第 23 。
图像编辑走红 ：指令式编辑（用自然语言修图）成主流， Gemini 2.5 Flash（Nano Banana） 带动 iOS App 爆红；ChatGPT 的 GPT Image 1 也很受欢迎。多图输入正在成为标配。
中美两边此消彼长 ： 文本生图 中， 字节 Seedream 4.0 领先， 图像编辑 中 Gemini 2.5 Flash 领先； 视频生成 方面，中国团队整体领先： Kling 2.5 Turbo 同时领跑“文生视频/图生视频”。
音频进入视频生成 ： Sora 2 与 Veo 3 原生支持“带声音”的视频；带音频更贵—— Sora 2 是0.40/秒，而无音频可比模型 Hailuo 2 Pro 约 $0.08/秒 。
（ 注：Elo 分数 原用于对弈评分，报告把它用来做模型竞技场排名的相对强弱指标， 数值越高代表相对更强 。）
专题一：文本生图 & 图像编辑
专有模型仍占优 ，但开放权重在 图像编辑 上追得更紧： Qwen Image Edit 2509 进入编辑榜 第三 。文本生图方面， Seedream 4.0 相比 Imagen 4 Ultra 提升约 30 Elo 。
专题二：视频生成
专有模型领跑，开源权重落后半步 ： Kling 2.5 Turbo 稳居“文生视频/图生视频”前列，开源侧 Wan 2.2 A14B 是代表性最强者，但整体仍 滞后 。
西方模型在前十中偏少 ：图生视频 Top10 里，西方模型仅 Google Veo 3 与 Luma Ray 3 两席。
04. 语音与音乐（Speech & Music）
新的准确率“金标”： AA-WER 指数
Artificial Analysis新出的 AA-WER （Word Error Rate） 用三套更贴近真实世界的数据（口音多样、行业词汇多、声学条件复杂）测 语音转写 （STT）准确率：
Google Chirp 2以 11.6% 领先；
NVIDIA的开放权重 Canary Qwen（13.2%） 、 Parakeet TDT（13.7%） 紧随其后；
OpenAI GPT-4o Transcribe为追求“更流畅”的可读文本， WER 偏高（21.3%） 。
（注：WER（词错误率）越低表示转写越精准。 AA-WER 按音频时长加权平均，覆盖 VoxPopuli、Earnings-22、AMI-SDM 三套数据。）
语音合成（TTS）与语音对语音（STS）
新一代 TTS 支持 情感、语气 等更细粒度控制（如 SSML 标签），但 Q3 的新模型整体尚未明显超越既有领先者。
原生 STS 模型可上生产 ： Gemini 2.5 Native Audio Thinking 在“语音推理”上表现最佳；开放权重有 Qwen3 Omni Flash 加入；OpenAI 的 GPT Realtime 系列也在快速迭代。
为什么 STS 更香？ 传统“转写→文本推理→合成”的“串联流水线”至少要走 3 个模型， 时延与复杂度更高 ；原生 STS 一步到位，但在 合规、可控、可监测 上仍有挑战。
05. 加速器（Accelerators）
需求与供给两端，都在抬杠
推理需求爆发 ：更长上下文、更强推理与“智能体”工作流，让 单次查询算力 激增。头部实验室都经历了“算力吃紧”，出现 延迟发布、限流 等现象。
NVIDIA Blackwell全面量产 ： 8×B200 系统广泛可用，机柜级 GB200 NVL72 进生产但量有限； B300/GB300 预计 年内 亮相。
系统级性能成为新战场 ：不再只盯“单卡”，而是放大 同域互联（如 NVLINK） 与 多节点网络 的规模； 分布式推理 （prefill/解码拆分、专家并行、按激活频率缩放专家副本等）走向主流。
市场格局 ：NVIDIA 仍主导“前沿训练”，但 AMD、谷歌、亚马逊及一众新创在推理/训练上提供差异化选项。
实测：B200 对比 H200/H100（系统负载测试）
在 TensorRT-LLM v1.0.0rc2 、 Llama 4 Maverick（FP8） 场景下：
系统吞吐 ： 8×B200 在 1000 并发 时约 39K tokens/s ，而 8×H200 约 13K tokens/s （约 3× 优势 ）。
用户侧出字速率 ：低并发下 B200 >120 tokens/s 、约 1.3× H200；高并发下 B200 ≈35 tokens/s 、约 3.5× H200（~10 tokens/s）。
（注：以上为“同系统、同软件栈、同模型”条件下的对比；真实业务还受网络、批处理策略等影响。）
报告给予每个人都有益的收获
看智能，不只看价格 ：价格在降，但“会思考、会用工具”的模型每个任务更费算——选择时要按 任务复杂度/时延/成本 权衡。
场景先行 ：编码、研究、电脑操作这三类“智能体”场景成熟度高、生态热闹，试点更容易见效。
基础设施别忽视 ：当业务放量， 分布式推理与系统级优化 往往比“换大卡”更值当。
参考与致谢
本文全部事实、数据与图示来源： Artificial Analysis State of AI – Q3 2025 Highlights Edition 。
（ 如需更详细的模型榜单需查阅报告完整版请联系报告出品方。如需 Artificial Analysis State of AI（Q3 2025 精选版）可后台私信。 ）