以下完成率、质量分、百分比无独立出处，当印象，不当对照实验。

很多信息只在网页上，API 不提供。传统爬虫抓不到 JS 渲染的页面，反爬越来越严。AI 浏览器自动化能执行 JS、填表单、理解页面内容。

2026 年 2 月 13 日，Google 发布 Gemini 3 Deep Think。官方给出的 ARC-AGI-2 正确率是 84.6%，距离 ARC Prize 的 85% 红线差 0.4 个百分点。这是 test-time compute，不是知识检索。

ARC-AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence）是最接近"测试通用智能"的基准之一。

它不考知识，考的是在未知规则下解决新问题的能力——给一个视觉谜题，人类能推断出变换规则然后应用到新图形上。

Google 凌晨发布 Gemini 3 的 Deep Think 专用推理模式，在 ARC-AGI-2 上测出 84.6% 正确率。

2026 年初，17B 参数的小模型已经能在很多场景取代大模型了。厂商把 Llama 4 Scout (17B) 编程能力写得接近 GPT-4o。这里没有对照实验。

Gemini 2.0 Flash Thinking 在简单到中等编程任务上够用，复杂推理仍不如 Claude 3.7 和 o3。最大优势是价格：$0.1/M input tokens。没有对照实验，不打字母分。

Anthropic 发布 Claude Opus 4.6。

官方对它的定位是"most capable model yet"——但真正的新东西不是模型参数，是 Agent Teams。

Lewis 等人 2020 年的 RAG 把生成模型的参数记忆和可替换的非参数索引拆开：窗口装不下，才检索。现行 Claude 窗口写在 Anthropic context windows：Fable / Opus / Sonnet 5 默认 1M，Haiku 4.5 仍是 200k。能 count_tokens 塞进去、又需要跨段一起看的，先塞。语料比窗口大、或要按文档热更新的，再上索引。