← 返回综合榜CAPABILITY PROFILE UNDERSTANDING THE RANK
查看 Claude Sonnet 5 的完整证据 →
查看 DeepSeek V4 Pro 0813 的完整证据 →
查看 GPT-5.4 的完整证据 →
查看 DeepSeek V4 Flash 0731 的完整证据 →
查看 GPT-5.5 的完整证据 →BEHIND THE SCORE
GPT-5.6 Luna
OpenAI · 2026-07-09 发布 · 09/16 01:02 更新
分类成绩3 / 4 项分类
已有成绩19 项评测
上下文窗口105万 Token
API 输入 / 输出 · 每百万 Token¥1.34 / ¥8.05厂商官方价格 ↗
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。
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23—33 名
已完成的对照中均具备参评资格。保持原候选不变时为 25—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 Sonnet 519 项共同评测共同证据支持对方
双方共同拥有当前榜单 88.0% 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 ↗ | 1,411 | 1,437 | 5.0% |
| Arena Text ↗ | 1,452.5 | 1,461.2 | 5.0% |
| Arena Vision ↗ | 1,258.1 | 1,266.3 | 6.0% |
| Arena WebDev ↗ | 1,518.9 | 1,536.7 | 2.4% |
| AA Index ↗ | 37.5 | 38.4 | 30.0% |
| DeepSWE v1.1 ↗ | 67.2% | 53.8% | 3.6% |
| Chess Puzzles ↗ | 40.0% | 16.0% | 1.8% |
| FrontierMath v2 · Tiers 1–3 ↗ | 82.1% | 65.6% | 3.6% |
| FrontierMath v2 · Tier 4 ↗ | 61.0% | 29.3% | 1.2% |
| GPQA Diamond ↗ | 91.6% | 80.3% | 2.0% |
| Mystery Game Puzzles ↗ | 21.0% | 35.0% | 1.2% |
| SimpleQA Verified ↗ | 41.0% | 33.7% | 4.0% |
| Creative Writing v3 ↗ | 1,825.8 | 1,790.5 | 3.6% |
| Longform Writing ↗ | 75.5 | 78.3 | 2.4% |
| LiveBench · 编程 ↗ | 65.7% | 70.0% | 2.4% |
| LiveBench · 推理 ↗ | 86.4% | 90.8% | 4.2% |
| LiveBench · 语言与指令 ↗ | 66.3% | 69.4% | 3.0% |
| TapTap Maker ↗ | 77.8% | 76.2% | 3.6% |
| Vals Finance Agent ↗ | 55.0% | 53.9% | 3.0% |
DeepSeek V4 Pro 081315 项共同评测共同证据支持本模型
双方共同拥有当前榜单 72.4% 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 ↗ | 1,411 | 1,442.3 | 5.0% |
| Arena Text ↗ | 1,452.5 | 1,463.4 | 5.0% |
| Arena WebDev ↗ | 1,518.9 | 1,580.5 | 2.4% |
| AA Index ↗ | 37.5 | 36.3 | 30.0% |
| Chess Puzzles ↗ | 40.0% | 47.0% | 1.8% |
| FrontierMath v2 · Tiers 1–3 ↗ | 82.1% | 64.6% | 3.6% |
| FrontierMath v2 · Tier 4 ↗ | 61.0% | 26.8% | 1.2% |
| GPQA Diamond ↗ | 91.6% | 91.7% | 2.0% |
| Mystery Game Puzzles ↗ | 21.0% | 43.0% | 1.2% |
| SimpleQA Verified ↗ | 41.0% | 52.9% | 4.0% |
| LiveBench · 编程 ↗ | 65.7% | 66.1% | 2.4% |
| LiveBench · 推理 ↗ | 86.4% | 90.5% | 4.2% |
| LiveBench · 语言与指令 ↗ | 66.3% | 74.9% | 3.0% |
| TapTap Maker ↗ | 77.8% | 77.8% | 3.6% |
| Vals Finance Agent ↗ | 55.0% | 50.4% | 3.0% |
GPT-5.411 项共同评测共同证据支持对方
双方共同拥有当前榜单 67.6% 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 ↗ | 1,411 | 1,444.2 | 5.0% |
| Arena Text ↗ | 1,452.5 | 1,476.4 | 5.0% |
| Arena Vision ↗ | 1,258.1 | 1,284.8 | 6.0% |
| Arena WebDev ↗ | 1,518.9 | 1,463 | 2.4% |
| AA Index ↗ | 37.5 | 39 | 30.0% |
| DeepSWE v1.1 ↗ | 67.2% | 51.8% | 3.6% |
| Creative Writing v3 ↗ | 1,825.8 | 1,835.6 | 3.6% |
| Longform Writing ↗ | 75.5 | 78.3 | 2.4% |
| LiveBench · 编程 ↗ | 65.7% | 65.7% | 2.4% |
| LiveBench · 推理 ↗ | 86.4% | 91.1% | 4.2% |
| LiveBench · 语言与指令 ↗ | 66.3% | 76.4% | 3.0% |
DeepSeek V4 Flash 073115 项共同评测共同证据支持本模型
双方共同拥有当前榜单 72.4% 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 ↗ | 1,411 | 1,407.8 | 5.0% |
| Arena Text ↗ | 1,452.5 | 1,435.6 | 5.0% |
| Arena WebDev ↗ | 1,518.9 | 1,580.2 | 2.4% |
| AA Index ↗ | 37.5 | 34.5 | 30.0% |
| Chess Puzzles ↗ | 40.0% | 33.0% | 1.8% |
| FrontierMath v2 · Tiers 1–3 ↗ | 82.1% | 57.5% | 3.6% |
| FrontierMath v2 · Tier 4 ↗ | 61.0% | 24.4% | 1.2% |
| GPQA Diamond ↗ | 91.6% | 91.0% | 2.0% |
| Mystery Game Puzzles ↗ | 21.0% | 34.0% | 1.2% |
| SimpleQA Verified ↗ | 41.0% | 33.6% | 4.0% |
| LiveBench · 编程 ↗ | 65.7% | 60.9% | 2.4% |
| LiveBench · 推理 ↗ | 86.4% | 86.7% | 4.2% |
| LiveBench · 语言与指令 ↗ | 66.3% | 72.3% | 3.0% |
| TapTap Maker ↗ | 77.8% | 74.6% | 3.6% |
| Vals Finance Agent ↗ | 55.0% | 49.5% | 3.0% |
GPT-5.518 项共同评测共同证据支持对方
双方共同拥有当前榜单 84.4% 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 ↗ | 1,411 | 1,451.1 | 5.0% |
| Arena Text ↗ | 1,452.5 | 1,481.8 | 5.0% |
| Arena Vision ↗ | 1,258.1 | 1,283.4 | 6.0% |
| Arena WebDev ↗ | 1,518.9 | 1,510.1 | 2.4% |
| AA Index ↗ | 37.5 | 38.6 | 30.0% |
| DeepSWE v1.1 ↗ | 67.2% | 67.0% | 3.6% |
| Chess Puzzles ↗ | 40.0% | 26.0% | 1.8% |
| FrontierMath v2 · Tiers 1–3 ↗ | 82.1% | 85.3% | 3.6% |
| FrontierMath v2 · Tier 4 ↗ | 61.0% | 72.5% | 1.2% |
| GPQA Diamond ↗ | 91.6% | 90.7% | 2.0% |
| Mystery Game Puzzles ↗ | 21.0% | 56.0% | 1.2% |
| SimpleQA Verified ↗ | 41.0% | 63.0% | 4.0% |
| Creative Writing v3 ↗ | 1,825.8 | 1,843.5 | 3.6% |
| Longform Writing ↗ | 75.5 | 78.2 | 2.4% |
| LiveBench · 编程 ↗ | 65.7% | 68.1% | 2.4% |
| LiveBench · 推理 ↗ | 86.4% | 92.8% | 4.2% |
| LiveBench · 语言与指令 ↗ | 66.3% | 79.0% | 3.0% |
| Vals Finance Agent ↗ | 55.0% | 51.8% | 3.0% |
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。
