← 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105万 Token
API 输入 / 输出 · 每百万 Token¥26.85 / ¥134.23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6—7 名

已完成的对照中均具备参评资格。保持原候选不变时为 67 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。

Muse Spark 1.312 项共同评测共同证据支持对方

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1,473.11,452.85.0%
Arena Text1,483.51,493.15.0%
Arena Vision1,285.91,294.16.0%
Arena WebDev1,617.31,651.92.4%
AA Index47.148.230.0%
Creative Writing v31,963.41,905.53.6%
Longform Writing81.782.82.4%
LiveBench · 编程70.1%72.6%2.4%
LiveBench · 推理93.9%92.8%4.2%
LiveBench · 语言与指令79.8%80.4%3.0%
APEX-Agents 1.151.4%57.8%4.0%
Vals Finance Agent53.8%60.0%3.0%
查看 Muse Spark 1.3 的完整证据 →
GLM-5.319 项共同评测共同证据支持本模型

双方共同拥有当前榜单 86.0% 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1,473.11,462.45.0%
Arena Text1,483.51,4835.0%
Arena WebDev1,617.31,614.42.4%
AA Index47.144.930.0%
DeepSWE v1.172.7%69.0%3.6%
Chess Puzzles55.0%21.0%1.8%
FrontierMath v2 · Tiers 1–389.1%68.8%3.6%
FrontierMath v2 · Tier 482.9%29.3%1.2%
GPQA Diamond93.5%90.9%2.0%
Mystery Game Puzzles58.0%33.0%1.2%
SimpleQA Verified69.7%41.0%4.0%
Creative Writing v31,963.42,064.13.6%
Longform Writing81.781.82.4%
LiveBench · 编程70.1%69.9%2.4%
LiveBench · 推理93.9%86.9%4.2%
LiveBench · 语言与指令79.8%74.6%3.0%
APEX-Agents 1.151.4%56.6%4.0%
TapTap Maker86.5%83.6%3.6%
Vals Finance Agent53.8%55.8%3.0%
查看 GLM-5.3 的完整证据 →
Claude Opus 521 项共同评测共同证据支持对方

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1,473.11,471.95.0%
Arena Text1,483.51,487.45.0%
Arena Vision1,285.91,2896.0%
Arena WebDev1,617.31,6872.4%
AA Index47.150.730.0%
DeepSWE v1.172.7%73.6%3.6%
Chess Puzzles55.0%42.0%1.8%
FrontierMath v2 · Tiers 1–389.1%85.6%3.6%
FrontierMath v2 · Tier 482.9%73.2%1.2%
GPQA Diamond93.5%93.9%2.0%
Mystery Game Puzzles58.0%59.0%1.2%
SimpleQA Verified69.7%59.9%4.0%
Creative Writing v31,963.42,120.63.6%
Longform Writing81.786.32.4%
LiveBench · 编程70.1%73.3%2.4%
LiveBench · 推理93.9%93.5%4.2%
LiveBench · 语言与指令79.8%76.2%3.0%
APEX-Agents 1.151.4%65.8%4.0%
TapTap Maker86.5%88.9%3.6%
τ³-Banking46.9%48.7%2.0%
Vals Finance Agent53.8%58.6%3.0%
查看 Claude Opus 5 的完整证据 →
Grok 4.618 项共同评测共同证据支持本模型

双方共同拥有当前榜单 86.0% 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1,473.11,451.35.0%
Arena Text1,483.51,455.65.0%
Arena Vision1,285.91,264.56.0%
Arena WebDev1,617.31,617.62.4%
AA Index47.144.330.0%
DeepSWE v1.172.7%66.7%3.6%
Chess Puzzles55.0%31.0%1.8%
FrontierMath v2 · Tiers 1–389.1%66.0%3.6%
FrontierMath v2 · Tier 482.9%31.7%1.2%
GPQA Diamond93.5%93.2%2.0%
Mystery Game Puzzles58.0%34.0%1.2%
SimpleQA Verified69.7%48.9%4.0%
LiveBench · 编程70.1%66.9%2.4%
LiveBench · 推理93.9%91.5%4.2%
LiveBench · 语言与指令79.8%77.8%3.0%
APEX-Agents 1.151.4%65.3%4.0%
TapTap Maker86.5%87.3%3.6%
Vals Finance Agent53.8%53.7%3.0%
查看 Grok 4.6 的完整证据 →
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1,473.11,504.15.0%
Arena Text1,483.51,505.75.0%
Arena Vision1,285.91,309.56.0%
Arena WebDev1,617.31,6282.4%
DeepSWE v1.172.7%69.7%3.6%
Chess Puzzles55.0%41.0%1.8%
FrontierMath v2 · Tiers 1–389.1%87.0%3.6%
FrontierMath v2 · Tier 482.9%90.2%1.2%
GPQA Diamond93.5%85.9%2.0%
Mystery Game Puzzles58.0%52.0%1.2%
SimpleQA Verified69.7%70.7%4.0%
Creative Writing v31,963.41,934.63.6%
Longform Writing81.7832.4%
LiveBench · 编程70.1%74.1%2.4%
LiveBench · 推理93.9%92.8%4.2%
LiveBench · 语言与指令79.8%83.2%3.0%
APEX-Agents 1.151.4%63.6%4.0%
TapTap Maker86.5%89.0%3.6%
τ³-Banking46.9%39.7%2.0%
Vals Finance Agent53.8%56.3%3.0%
查看 Claude Fable 5 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47.1
原榜型号gpt-5-6-sol
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 09/15 14:00 · 核验 09/15 17:11 · 实测日期未公开
Creative Writing v3已计入综合排名1,963.4
原榜型号gpt-5.6-sol
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 01:02 · 实测日期未公开
Longform Writing已计入综合排名81.7
原榜型号gpt-5.6-sol
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 01:02 · 实测日期未公开
LiveBench · 语言与指令已计入综合排名79.8%
原榜型号gpt-5.6-sol-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 09/10 23:13 · 核验 09/16 01:02 · 实测日期未公开
Arena Text已计入综合排名1,483.5
原榜型号gpt-5.6-sol-xhigh
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 09/13 08:00 · 核验 09/16 01:02 · 实测日期未公开
Arena WebDev已计入综合排名1,617.3
原榜型号gpt-5.6-sol-xhigh (codex-harness)
代表配置xHigh 推理 · codex-harness

按预先固定的配置优先级选为代表行;配置明细保留,成绩归到基础模型参与 LatentRank。

本轮采用记录来源数据 09/11 08:00 · 核验 09/16 01:02 · 实测日期未公开
Arena 创作盲选已计入综合排名1,473.1
原榜型号gpt-5.6-sol-xhigh
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 09/13 08:00 · 核验 09/16 01:02 · 实测日期未公开

编程3

DeepSWE v1.1已计入综合排名72.7%
原榜型号gpt-5-6-sol
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 01:02 · 实测日期未公开
LiveBench · 编程已计入综合排名70.1%
原榜型号gpt-5.6-sol-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 09/10 23:13 · 核验 09/16 01:02 · 实测日期未公开
TapTap Maker已计入综合排名86.5%
原榜型号gpt-5.6-sol
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 01:02 · 实测日期未公开

推理5

FrontierMath v2 · Tiers 1–3已计入综合排名89.1%
原榜型号gpt-5.6-sol_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 07/09 10:45 · 核验 09/16 01:02 · 实测日期未公开
FrontierMath v2 · Tier 4已计入综合排名82.9%
原榜型号gpt-5.6-sol_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 07/09 10:45 · 核验 09/16 01:02 · 实测日期未公开
Chess Puzzles已计入综合排名55.0%
原榜型号gpt-5.6-sol_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 07/09 10:07 · 核验 09/16 01:02 · 实测日期未公开
Mystery Game Puzzles已计入综合排名58.0%
原榜型号gpt-5.6-sol_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 07/29 04:58 · 核验 09/16 01:02 · 实测日期未公开
LiveBench · 推理已计入综合排名93.9%
原榜型号gpt-5.6-sol-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 09/10 23:13 · 核验 09/16 01:02 · 实测日期未公开

知识2

SimpleQA Verified已计入综合排名69.7%
原榜型号gpt-5.6-sol_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 01:02 · 实测日期未公开
GPQA Diamond已计入综合排名93.5%
原榜型号gpt-5.6-sol_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 07/09 10:07 · 核验 09/16 01:02 · 实测日期未公开

专业办公3

APEX-Agents 1.1已计入综合排名51.4%
原榜型号gpt-5-6-sol-max-pro
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 01:02 · 实测日期未公开
τ³-Banking已计入综合排名46.9%
原榜型号GPT-5.6-sol
代表配置xHigh 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 07/22 08:00 · 核验 09/16 01:02 · 实测日期未公开
Vals Finance Agent已计入综合排名53.8%
原榜型号openai/gpt-5.6-sol
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 01:02 · 实测日期未公开

视觉理解1

Arena Vision已计入综合排名1,285.9
原榜型号gpt-5.6-sol-xhigh
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 09/13 08:00 · 核验 09/16 01:02 · 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 →