Matthew Berman 的 AI 模型排名：2026 年 3 月的个人评级

摘要

30 秒看懂

在一段发布于 2026 年 3 月 28 日的短视频中，Matthew Berman 快速、主观地为 AI 产品和模型系列分级。他将 Claude 评为 S 级，ChatGPT 评为 A 级，MiniMax、Gemini 和 Qwen 评为 B 级，Grok 和 DeepSeek 评为 C 级，Llama 和 Mistral 评为 D 级，另将 Llama 4 评为 F 级。这些判断体现个人偏好，并非针对具体模型版本的标准化比较。他认为 Qwen 将停止发布模型的预测并未成真：阿里巴巴后来公布了更多 Qwen 模型。

1最喜欢 ClaudeBerman 将 Grok 评为 C 级，称 Claude 是他当时的最爱，并将其列为 S 级。
2开放权重与取舍他称赞 MiniMax 发布模型权重，并将其评为 B 级；ChatGPT 则凭借广泛的功能获得 A 级。
3Llama 与 Mistral 得分较低他说自己很少使用 Llama，Mistral 也不太符合他的需求，因此两者均评为 D 级。
4对 Qwen 的预测他喜欢 Qwen，但因担忧其未来而将评分从 A 降至 B；后续发布的模型证明这一预测有误。
5Llama 4 争议他批评了该系列的发布情况和基准测试争议。Meta 发布了 Scout 与 Maverick，公布的 Behemoth 模型在发布时仍处于训练阶段。

要点建议

Berman 根据个人使用经验，在 2026 年 3 月将 Claude 排在 S 级，ChatGPT 排在 A 级。
MiniMax、Gemini 和 Qwen 获得 B 级，Berman 称赞了开放的模型权重和 Gemini 的价格。
他将 Grok 和 DeepSeek 评为 C 级，Llama 和 Mistral 评为 D 级，另对 Llama 4 提出批评。
他预测 Qwen 不会再推出模型，但这一预测有误；阿里巴巴后来发布了 Qwen3.8-Max。
涵盖品牌、应用和模型系列的评级榜单，并非针对具体模型版本的受控基准测试。

主题模型与训练 Benchmarks Open-weight models

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

Grok、Claude 与 MiniMax

Berman 将 Grok 评为 C 级、Claude 评为 S 级、MiniMax 评为 B 级。排名反映了他的个人经验，以及对可用模型权重的认可。

被问到如何评价 Grok 时，我给它 C 级：除了搜索 Twitter 很有用，我不认为它是特别出色的模型。相比之下，Claude 是我目前的最爱。我喜欢用它处理各种任务，将它排在 S 级。这些是我在 2026 年 3 月的个人印象，不是受控的直接对比测试结果。

MiniMax 是个很棒的模型，我使用过几次。我欣赏中国公司提供能力出色的模型，也因为它们发布权重而额外加分。我将 MiniMax 排在 B 级，因为在我看来它还不算最前沿。开放权重不一定等同于完全开源，不同模型的获取方式和许可条款也可能不同。

ChatGPT、Llama、Mistral、Gemini 与 DeepSeek

ChatGPT 凭借丰富功能获得 A 级。Berman 根据个人使用情况和印象，将其他模型系列排在 B 至 D 级之间。

ChatGPT 获得 A 级：它的功能很全面，因此很难在某一方面挑出问题，虽然我不认为它在某个单项上是同类最佳。我将 Llama 排在 D 级，因为我从不使用它，也怀疑它对我自己的工作是否还有意义。Mistral 起初给我留下了深刻印象，也公开发布过模型，但它没有满足我的需求，因此同样获得 D 级。

Gemini 是一款优秀的实用模型，价格也有吸引力，不过我用得不多，所以给它 B 级。我对谈话时可用的 DeepSeek 模型印象没那么好，将其排在 C 级。这些评级涵盖的是产品或模型系列，并没有指定相同的版本、任务或测试条件。

Qwen 与 Llama 4

Berman 称赞 Qwen，但担心它的未来；随后批评 Llama 4 和基准测试争议。Qwen 后续推出的模型使他的预测不再成立。

Qwen 是我最喜欢的中国开放权重模型系列。我本想给它 A 级，但团队出现人员离职和变动后，我担心它以后只会发布很少的新模型，甚至不再发布，因此降至 B 级。这只是预测，并非既定事实：阿里巴巴后来公布了更多模型，包括 2026 年 8 月的 Qwen3.8-Max。

被问到其他模型时，我提到了 Llama 4。Meta 在 2025 年 4 月发布了 Scout 和 Maverick，并称更大的 Behemoth 仍在训练中。我批评了 Maverick 的基准测试争议，包括关于回答风格的说法，以及更大模型迟迟未发布的情况，随后将 Llama 4 评为 F 级。争议涉及在 LM Arena 使用的实验版 Maverick 与可下载版本不同；有关它为何得分高的指控不应当作已证实的事实。