← 返回综合
分类成绩4 / 4 项分类
已有成绩21 项评测
上下文窗口100万 Token
API 输入 / 输出 · 每百万 Token¥33.56 / ¥167.79厂商官方价格 ↗
CAPABILITY PROFILE

各有所长,看得更清楚。

每项能力单独计算。没有足够的实测,就留空。

不同分类的分数反映各自参照组中的排序支持,不能直接相加或用来比较不同能力的绝对高低。

UNDERSTANDING THE RANK

综合名次,有多稳定?

依次移除一项评测或一家机构、调整单项权重与误差处理,观察排名怎样变化。

重新检查资格后的名次3—4 名

已完成的对照中均具备参评资格。保持原候选不变时为 34 名。这个范围不是置信区间,也不包含从未公开的成绩。

查看与附近模型的共同证据

净支持只看双方共同参加的评测。全局排序还需处理其他模型间的冲突,因此非相邻名次可能与单独比较不同。

Claude Fable 520 项共同评测共同证据支持对方

双方共同拥有当前榜单 64.0% 的名义票权。下表展示原始成绩,已知误差的软化处理会影响净支持,不只数赢了几项。

共同评测本模型对方票权
Arena 创作盲选1,471.91,504.15.0%
Arena Text1,487.41,505.75.0%
Arena Vision1,2891,309.56.0%
Arena WebDev1,6871,6282.4%
DeepSWE v1.173.6%69.7%3.6%
Chess Puzzles42.0%41.0%1.8%
FrontierMath v2 · Tiers 1–385.6%87.0%3.6%
FrontierMath v2 · Tier 473.2%90.2%1.2%
GPQA Diamond93.9%85.9%2.0%
Mystery Game Puzzles59.0%52.0%1.2%
SimpleQA Verified59.9%70.7%4.0%
Creative Writing v32,120.61,934.63.6%
Longform Writing86.3832.4%
LiveBench · 编程73.3%74.1%2.4%
LiveBench · 推理93.5%92.8%4.2%
LiveBench · 语言与指令76.2%83.2%3.0%
APEX-Agents 1.165.8%63.6%4.0%
TapTap Maker88.9%89.0%3.6%
τ³-Banking48.7%39.7%2.0%
Vals Finance Agent58.6%56.3%3.0%
查看 Claude Fable 5 的完整证据 →
Muse Spark 1.312 项共同评测共同证据支持本模型

双方共同拥有当前榜单 71.0% 的名义票权。下表展示原始成绩,已知误差的软化处理会影响净支持,不只数赢了几项。

共同评测本模型对方票权
Arena 创作盲选1,471.91,452.85.0%
Arena Text1,487.41,493.15.0%
Arena Vision1,2891,294.16.0%
Arena WebDev1,6871,651.92.4%
AA Index50.748.230.0%
Creative Writing v32,120.61,905.53.6%
Longform Writing86.382.82.4%
LiveBench · 编程73.3%72.6%2.4%
LiveBench · 推理93.5%92.8%4.2%
LiveBench · 语言与指令76.2%80.4%3.0%
APEX-Agents 1.165.8%57.8%4.0%
Vals Finance Agent58.6%60.0%3.0%
查看 Muse Spark 1.3 的完整证据 →
Claude Fable 5.117 项共同评测共同证据支持对方

双方共同拥有当前榜单 56.4% 的名义票权。下表展示原始成绩,已知误差的软化处理会影响净支持,不只数赢了几项。

共同评测本模型对方票权
Arena 创作盲选1,471.91,486.35.0%
Arena Text1,487.41,498.55.0%
Arena Vision1,2891,288.96.0%
Arena WebDev1,6871,7582.4%
Chess Puzzles42.0%47.0%1.8%
FrontierMath v2 · Tiers 1–385.6%90.2%3.6%
FrontierMath v2 · Tier 473.2%87.8%1.2%
Mystery Game Puzzles59.0%58.0%1.2%
SimpleQA Verified59.9%70.8%4.0%
Creative Writing v32,120.62,152.73.6%
Longform Writing86.385.32.4%
LiveBench · 编程73.3%76.2%2.4%
LiveBench · 推理93.5%94.3%4.2%
LiveBench · 语言与指令76.2%81.2%3.0%
APEX-Agents 1.165.8%68.6%4.0%
TapTap Maker88.9%90.5%3.6%
Vals Finance Agent58.6%58.9%3.0%
查看 Claude Fable 5.1 的完整证据 →
GPT-5.6 Sol21 项共同评测共同证据支持本模型

双方共同拥有当前榜单 94.0% 的名义票权。下表展示原始成绩,已知误差的软化处理会影响净支持,不只数赢了几项。

共同评测本模型对方票权
Arena 创作盲选1,471.91,473.15.0%
Arena Text1,487.41,483.55.0%
Arena Vision1,2891,285.96.0%
Arena WebDev1,6871,617.32.4%
AA Index50.747.130.0%
DeepSWE v1.173.6%72.7%3.6%
Chess Puzzles42.0%55.0%1.8%
FrontierMath v2 · Tiers 1–385.6%89.1%3.6%
FrontierMath v2 · Tier 473.2%82.9%1.2%
GPQA Diamond93.9%93.5%2.0%
Mystery Game Puzzles59.0%58.0%1.2%
SimpleQA Verified59.9%69.7%4.0%
Creative Writing v32,120.61,963.43.6%
Longform Writing86.381.72.4%
LiveBench · 编程73.3%70.1%2.4%
LiveBench · 推理93.5%93.9%4.2%
LiveBench · 语言与指令76.2%79.8%3.0%
APEX-Agents 1.165.8%51.4%4.0%
TapTap Maker88.9%86.5%3.6%
τ³-Banking48.7%46.9%2.0%
Vals Finance Agent58.6%53.8%3.0%
查看 GPT-5.6 Sol 的完整证据 →
GPT-6 Astra20 项共同评测共同证据支持对方

双方共同拥有当前榜单 92.0% 的名义票权。下表展示原始成绩,已知误差的软化处理会影响净支持,不只数赢了几项。

共同评测本模型对方票权
Arena 创作盲选1,471.91,460.75.0%
Arena Text1,487.41,479.85.0%
Arena Vision1,2891,2846.0%
Arena WebDev1,6871,800.32.4%
AA Index50.752.830.0%
DeepSWE v1.173.6%73.2%3.6%
Chess Puzzles42.0%72.0%1.8%
FrontierMath v2 · Tiers 1–385.6%93.7%3.6%
FrontierMath v2 · Tier 473.2%97.6%1.2%
GPQA Diamond93.9%95.8%2.0%
Mystery Game Puzzles59.0%84.0%1.2%
SimpleQA Verified59.9%75.6%4.0%
Creative Writing v32,120.62,163.93.6%
Longform Writing86.382.82.4%
LiveBench · 编程73.3%68.8%2.4%
LiveBench · 推理93.5%94.7%4.2%
LiveBench · 语言与指令76.2%82.5%3.0%
APEX-Agents 1.165.8%64.7%4.0%
TapTap Maker88.9%88.9%3.6%
Vals Finance Agent58.6%53.5%3.0%
查看 GPT-6 Astra 的完整证据 →
BEHIND THE SCORE

每一项成绩,都有来处。

下面是该模型的公开汇总成绩。展开可查看运行配置与采用方式。

综合评测与体验7

AA Index已计入综合排名50.7
原榜型号claude-opus-5
代表配置Max 推理 · 自适应

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/16 02:57 · 核验 09/16 02:57 · 实测日期未公开
Creative Writing v3已计入综合排名2,120.6
原榜型号claude-opus-5
代表配置来源默认配置

该来源没有区分推理档位,采用其官方默认配置。

本轮采用记录来源数据 09/07 12:49 · 核验 09/16 02:57 · 实测日期未公开
Longform Writing已计入综合排名86.3
原榜型号claude-opus-5
代表配置来源默认配置

该来源没有区分推理档位,采用其官方默认配置。

本轮采用记录来源数据 09/07 12:49 · 核验 09/16 02:57 · 实测日期未公开
LiveBench · 语言与指令已计入综合排名76.2%
原榜型号claude-opus-5-max-effort
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/10 23:13 · 核验 09/16 02:57 · 实测日期未公开
Arena Text已计入综合排名1,487.4
原榜型号claude-opus-5-max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/13 08:00 · 核验 09/16 02:57 · 实测日期未公开
Arena WebDev已计入综合排名1,687
原榜型号claude-opus-5-max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/11 08:00 · 核验 09/16 02:57 · 实测日期未公开
Arena 创作盲选已计入综合排名1,471.9
原榜型号claude-opus-5-max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/13 08:00 · 核验 09/16 02:57 · 实测日期未公开

编程3

DeepSWE v1.1已计入综合排名73.6%
原榜型号claude-opus-5
代表配置Max 推理 · mini-swe-agent · deepswe-v1.1:mini-swe-agent

该来源对所有模型使用同一受控系统;按预先固定的推理档位优先级选择,配置明细保留,成绩归到基础模型。

本轮采用记录来源数据 09/04 06:24 · 核验 09/16 02:57 · 实测日期未公开
LiveBench · 编程已计入综合排名73.3%
原榜型号claude-opus-5-max-effort
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/10 23:13 · 核验 09/16 02:57 · 实测日期未公开
TapTap Maker已计入综合排名88.9%
原榜型号claude-opus-5
代表配置xHigh 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/10 08:00 · 核验 09/16 02:57 · 实测日期未公开

推理5

FrontierMath v2 · Tiers 1–3已计入综合排名85.6%
原榜型号claude-opus-5_max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 07/25 03:54 · 核验 09/16 02:57 · 实测日期未公开
FrontierMath v2 · Tier 4已计入综合排名73.2%
原榜型号claude-opus-5_max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 07/25 03:54 · 核验 09/16 02:57 · 实测日期未公开
Chess Puzzles已计入综合排名42.0%
原榜型号claude-opus-5_max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 07/25 02:40 · 核验 09/16 02:57 · 实测日期未公开
Mystery Game Puzzles已计入综合排名59.0%
原榜型号claude-opus-5_max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 07/25 12:37 · 核验 09/16 02:57 · 实测日期未公开
LiveBench · 推理已计入综合排名93.5%
原榜型号claude-opus-5-max-effort
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/10 23:13 · 核验 09/16 02:57 · 实测日期未公开

知识2

SimpleQA Verified已计入综合排名59.9%
原榜型号claude-opus-5_max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 08/11 07:44 · 核验 09/16 02:57 · 实测日期未公开
GPQA Diamond已计入综合排名93.9%
原榜型号claude-opus-5_max
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 07/25 02:40 · 核验 09/16 02:57 · 实测日期未公开

专业办公3

APEX-Agents 1.1已计入综合排名65.8%
原榜型号claude-opus-5
代表配置Max 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent

该来源对所有模型使用同一受控系统;按预先固定的推理档位优先级选择,配置明细保留,成绩归到基础模型。

本轮采用记录来源数据 09/08 08:00 · 核验 09/16 02:57 · 实测日期未公开
τ³-Banking已计入综合排名48.7%
原榜型号Claude Opus 5
代表配置Max 推理 · tau3-banking-standard-alltools · tau3-banking:v1.0.1:alltools:gpt-5.2

该来源对所有模型使用同一受控系统;按预先固定的推理档位优先级选择,配置明细保留,成绩归到基础模型。

本轮采用记录来源数据 08/03 08:00 · 核验 09/16 02:57 · 实测日期未公开
Vals Finance Agent已计入综合排名58.6%
原榜型号anthropic/claude-opus-5
代表配置Max 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/11 08:00 · 核验 09/16 02:57 · 实测日期未公开

视觉理解1

Arena Vision已计入综合排名1,289
原榜型号claude-opus-5-high
代表配置High 推理

按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。

本轮采用记录来源数据 09/13 08:00 · 核验 09/16 02:57 · 实测日期未公开
还有一些未知

缺失的评测不会记成零分。模型的名次会随新证据变化,分数相近时不宜过度解读细小差距。

了解计算方法 →