Claude Opus 5.5

只给能运行的程序和说明、不给源码，重写出行为一致的程序，用隐藏测试核对。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 12%。这类成绩照常计入并标注；受影响过半的不计。

在终端完成软件、科研等复杂任务，再由各题的测试检查结果；官方榜为每个模型指定 Agent，通常是厂商自家的。

评测方为每个模型指定 Agent（通常是厂商自家的）；按预先固定的推理档位优先级选择，成绩归到基础模型。

把现有程序改写成另一种编程语言，用隐藏测试检查行为是否一致。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 32%。这类成绩照常计入并标注；受影响过半的不计。

在真实开源仓库里改代码，看改动能不能达到维护者愿意合并的水平。

评测方为每个模型指定 Agent（通常是厂商自家的）；按预先固定的推理档位优先级选择，成绩归到基础模型。

面对陌生数据，弄清问题并做出机器学习或数据分析方案。

评测方为每个模型指定 Agent（通常是厂商自家的）；按预先固定的推理档位优先级选择，成绩归到基础模型。

每次最多给 20 小时，完成编程、性能优化或科研计算这类大任务。

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。

在终端完成软件、科研等复杂任务，再由各题的测试检查结果。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 11%。这类成绩照常计入并标注；受影响过半的不计。

在真实开源仓库里改代码，看改动能不能达到维护者愿意合并的水平。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

在工程环境里连接并部署服务，或根据故障日志和监控信息排查问题。

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。

写函数、补全代码，题目定期换新，答案自动跑测试核对。

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。

在真实游戏引擎里用 Lua 写出能跑起来的游戏功能，由引擎实际运行判对错。

评测方为每个模型指定 Agent（通常是厂商自家的）；按预先固定的推理档位优先级选择，成绩归到基础模型。

在终端完成软件、科研等复杂任务，再由各题的测试检查结果。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

在真实代码仓库里查找并修复问题，再用测试检查改动。

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。

把物理、化学、生物等科研问题写成能运行、算得对的计算代码。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

按一份需求从零搭出网页应用，再在浏览器里按验收步骤逐项检查功能。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 8%。这类成绩照常计入并标注；受影响过半的不计。

修开源项目的安全漏洞，检查能否编译、拦住原攻击并保留正常行为。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 2%。这类成绩照常计入并标注；受影响过半的不计。

看不到源码，只能运行原程序、读文档，用另一种语言把整个程序重写出来。

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。

在已有应用上一轮接一轮加功能，同时不能把旧功能弄坏。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 16%。这类成绩照常计入并标注；受影响过半的不计。

在命令行里走完一段科研流程：处理数据、跑分析、得出结果。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

在命令行里走完一段科研流程：处理数据、跑分析、得出结果。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 3%。这类成绩照常计入并标注；受影响过半的不计。

看文字描述的游戏局面，找出最好的下一步。

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。

解数学家原创的高难数学题，给出可以核对的答案。

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。

修订版研究级物理题里较难的 40 道，可以写代码辅助演算。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

看文字写成的国际象棋棋局，找出正确的一步，由象棋引擎核对。

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。

自己设计实验，去推断一套隐藏的规律。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 不到 1%。这类成绩照常计入并标注；受影响过半的不计。

数学、科学、人文等几十个学科的专家级难题，不借助工具直接作答。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

从几个网格图案的例子中找出变换规则，再解一道新题。

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。

个人长期维护的难题榜：用中文出的逻辑、数学、空间和编程题，看模型能不能想清楚。

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。

分析真实的生物数据，推断出背后的生物学答案。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 21%。这类成绩照常计入并标注；受影响过半的不计。

物理研究前沿的原创难题，要一步步推导出准确答案。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

逻辑、数量、空间与物理推理，以及批判性思维。

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。

斑马谜题、空间推理、情境推理这类题，答案自动核对。

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。

考查注意与扫描、语言理解、识别相关信息和抽象概念。

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。

完成办公项目里写报告、做表格这类长任务，按细则和成果质量评分。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

投行、咨询和法律里的长任务，看模型当助手能不能把一件完整的工作做完。

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。

按几十种职业的真实工作出题，比如写报告、做表格，由裁判两两比较产出质量。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

回答税务专业问题，要查到税法依据并注明出处。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 1%。这类成绩照常计入并标注；受影响过半的不计。

扮演银行客服跟模拟客户对话：查政策、找产品、改账户。

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。

分析数据、回答 14 个领域的专业问题，同一题跑五次都对才算通过。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

在 Excel 里搭财务模型：在模板上补全，或者从零建表。

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。

像律师一样查法规和判例，写出有出处的结论。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 2%。这类成绩照常计入并标注；受影响过半的不计。

在模拟办公软件中处理业务流程，按完成目标和守规情况评分。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

金融分析师的日常工作：查公司财报、做计算和分析。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方公布受影响的题目占 1%。这类成绩照常计入并标注；受影响过半的不计。

读法律资料并完成文书，逐项评分，有重大捏造则该题记零。

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。

通过率低于 5%，只说明“至多这么强”。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

处理表格重排、表格连接和连续事件分析等数据题。

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。

读住院记录，给出标准的医疗诊断编码。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

处理法律资料，交付 Word、Excel、幻灯片等能直接审阅的文件。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

各领域的事实问答，答错倒扣、不会可以不答，看模型知道多少、会不会乱编。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

一句话就能答的事实问题，看答得对不对。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

应用科学、日常生活、自然科学和人文社科等方面的知识题。

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。

读很长的医疗记录回答问题，答案要完整且不能违背原始记录。

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。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

问题里藏着错误前提，看模型能不能指出来，而不是顺着编下去。

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。

纠正错字、把打乱的情节排回原序、给词语分组等语言题。

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。

把一组英文词按隐藏的类别分好，里面混着故意误导的干扰词。

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。

读很长的文档，回答要把多处信息串起来才能答的问题。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

评测时厂商接口把部分请求转给了同厂商更早的型号，评测方没有公布受影响的比例。这类成绩照常计入并标注；受影响过半的不计。

按一串具体的格式和内容要求作答，看能不能条条做到。

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。

这项成绩和这个模型的其他成绩差得太远，它对总分的影响设了上限，一个异常成绩带偏不了总分。

真人匿名比较两个模型做出来的网页，选更好的那个。

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。

真人匿名比较两个模型的回答，投票选出更好的回答。

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。