GPT-5.4
OpenAI · 2026-03-05 发布 · 10/16 14:06 更新
AIHOT 评分 · 综合60.6分暂不排名:编程评测还不到 3 类评分不是正确率 · 评测覆盖 29%
可比较分类0/ 4 项分类
已有成绩8项评测
上下文窗口105万Token
各有所长,看得更清楚。
每个领域单独评分,和综合评分用同一种分数,可以直接比。具体能力请看下面每项成绩。
编程AIHOT 评分—分这个领域测得还不够0 项评测 · 覆盖 0%科研AIHOT 评分—分这个领域测得还不够0 项评测 · 覆盖 0%专业办公AIHOT 评分62.9分暂不排名2 项评测 · 覆盖 25%知识问答AIHOT 评分59.7分暂不排名2 项评测 · 覆盖 60%
覆盖比例是这个领域里已有成绩的评测类别占比,不代表能力高低;没测的不补分,也不扣分。
每一项成绩,都有来处。
按领域列出每项公开成绩,以及它折算成的统一分数。展开可查看运行配置与采用方式。
编程59.31 项
科研61.61 项
专业办公62.92 项
知识问答59.73 项
真人盲选60.31 项
测过,但按规则不计入
这些公开成绩没有计入,原因如下:例如评测方公布超过一半题目被转给了旧型号,或者无法确认测的是哪个版本。
- Vibe Code Bench v1.1:该次使用的 Agent 不属于已核实的统一工具流程。
尚无成绩的评测
这些评测尚无可采用的公开成绩,缺测不补分。
Terminal-Bench 4.0 · AATerminal-Bench 4.0 · ValsSciCode · AACode MigrationProgramBenchVibe Code Bench 1–100CyberBench Patch v1.1HLE · AAFrontierMath v2 · Tiers 1–3CritPt · AAChess PuzzlesMystery Game PuzzlesMysteryMechanismTerminal-Bench Science · ValsTerminal-Bench Science · AAGDPval-AAAA-BriefcaseAutomationBench · AAVals Finance AgentHarvey Legal Agent Benchmarkτ³-Banking · MercorMedCodeAA-Analyst AgentAA-OmniscienceSimpleQA VerifiedAA-LCRMLCR-AA
怎么看这些折算分
每项成绩按这项评测的难度折算成同一种分数:难的评测考得一般也能折算出高分,快被刷满的评测再高也折算不出更多。领域分是这些折算分的平均,再向模型的整体水平收一点;同类评测只算一票。相差不到 1 分的两个模型,先后接近抛硬币。
了解计算方法 →