← 返回综合
分类成绩4 / 4 项分类
已有成绩20 项评测
上下文窗口105万 Token
API 输入 / 输出 · 每百万 Token¥13.42 / ¥80.54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10—25 名

已完成的对照中均具备参评资格。保持原候选不变时为 1026 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。

Kimi K319 项共同评测共同证据支持对方

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1,426.41,458.45.0%
Arena Text1,4661,484.85.0%
Arena WebDev1,521.21,674.32.4%
AA Index42.343.830.0%
DeepSWE v1.169.6%68.5%3.6%
Chess Puzzles54.0%39.0%1.8%
FrontierMath v2 · Tiers 1–386.0%72.2%3.6%
FrontierMath v2 · Tier 470.7%39.0%1.2%
GPQA Diamond93.3%93.1%2.0%
Mystery Game Puzzles35.0%26.0%1.2%
SimpleQA Verified43.2%50.6%4.0%
Creative Writing v31,850.32,070.63.6%
Longform Writing7879.62.4%
LiveBench · 编程66.6%71.8%2.4%
LiveBench · 推理92.8%87.6%4.2%
LiveBench · 语言与指令73.8%78.4%3.0%
APEX-Agents 1.158.2%50.6%4.0%
TapTap Maker81.8%79.7%3.6%
Vals Finance Agent54.4%54.4%3.0%
查看 Kimi K3 的完整证据 →
Claude Opus 4.820 项共同评测共同证据支持本模型

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1,426.41,464.55.0%
Arena Text1,4661,481.45.0%
Arena Vision1,266.71,283.46.0%
Arena WebDev1,521.21,558.82.4%
AA Index42.34230.0%
DeepSWE v1.169.6%59.0%3.6%
Chess Puzzles54.0%34.0%1.8%
FrontierMath v2 · Tiers 1–386.0%80.0%3.6%
FrontierMath v2 · Tier 470.7%56.1%1.2%
GPQA Diamond93.3%91.0%2.0%
Mystery Game Puzzles35.0%36.0%1.2%
SimpleQA Verified43.2%53.0%4.0%
Creative Writing v31,850.31,835.23.6%
Longform Writing7880.82.4%
LiveBench · 编程66.6%66.2%2.4%
LiveBench · 推理92.8%91.8%4.2%
LiveBench · 语言与指令73.8%75.8%3.0%
APEX-Agents 1.158.2%48.9%4.0%
TapTap Maker81.8%82.8%3.6%
Vals Finance Agent54.4%53.9%3.0%
查看 Claude Opus 4.8 的完整证据 →
Grok 4.618 项共同评测共同证据支持对方

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1,426.41,451.35.0%
Arena Text1,4661,455.65.0%
Arena Vision1,266.71,264.56.0%
Arena WebDev1,521.21,617.62.4%
AA Index42.344.330.0%
DeepSWE v1.169.6%66.7%3.6%
Chess Puzzles54.0%31.0%1.8%
FrontierMath v2 · Tiers 1–386.0%66.0%3.6%
FrontierMath v2 · Tier 470.7%31.7%1.2%
GPQA Diamond93.3%93.2%2.0%
Mystery Game Puzzles35.0%34.0%1.2%
SimpleQA Verified43.2%48.9%4.0%
LiveBench · 编程66.6%66.9%2.4%
LiveBench · 推理92.8%91.5%4.2%
LiveBench · 语言与指令73.8%77.8%3.0%
APEX-Agents 1.158.2%65.3%4.0%
TapTap Maker81.8%87.3%3.6%
Vals Finance Agent54.4%53.7%3.0%
查看 Grok 4.6 的完整证据 →
Gemini 3.8 Flash19 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1,426.41,495.95.0%
Arena Text1,4661,4935.0%
Arena WebDev1,521.21,567.92.4%
AA Index42.341.230.0%
DeepSWE v1.169.6%73.8%3.6%
Chess Puzzles54.0%61.0%1.8%
FrontierMath v2 · Tiers 1–386.0%68.4%3.6%
FrontierMath v2 · Tier 470.7%22.0%1.2%
GPQA Diamond93.3%95.4%2.0%
Mystery Game Puzzles35.0%47.0%1.2%
SimpleQA Verified43.2%69.7%4.0%
Creative Writing v31,850.31,749.73.6%
Longform Writing7876.82.4%
LiveBench · 编程66.6%63.4%2.4%
LiveBench · 推理92.8%90.4%4.2%
LiveBench · 语言与指令73.8%84.6%3.0%
APEX-Agents 1.158.2%64.3%4.0%
TapTap Maker81.8%86.8%3.6%
Vals Finance Agent54.4%61.4%3.0%
查看 Gemini 3.8 Flash 的完整证据 →
GLM-5.319 项共同评测共同证据支持对方

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1,426.41,462.45.0%
Arena Text1,4661,4835.0%
Arena WebDev1,521.21,614.42.4%
AA Index42.344.930.0%
DeepSWE v1.169.6%69.0%3.6%
Chess Puzzles54.0%21.0%1.8%
FrontierMath v2 · Tiers 1–386.0%68.8%3.6%
FrontierMath v2 · Tier 470.7%29.3%1.2%
GPQA Diamond93.3%90.9%2.0%
Mystery Game Puzzles35.0%33.0%1.2%
SimpleQA Verified43.2%41.0%4.0%
Creative Writing v31,850.32,064.13.6%
Longform Writing7881.82.4%
LiveBench · 编程66.6%69.9%2.4%
LiveBench · 推理92.8%86.9%4.2%
LiveBench · 语言与指令73.8%74.6%3.0%
APEX-Agents 1.158.2%56.6%4.0%
TapTap Maker81.8%83.6%3.6%
Vals Finance Agent54.4%55.8%3.0%
查看 GLM-5.3 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42.3
原榜型号gpt-5-6-terra
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1,850.3
原榜型号gpt-5.6-terra
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 02:00 · 实测日期未公开
Longform Writing已计入综合排名78
原榜型号gpt-5.6-terra
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 02:00 · 实测日期未公开
LiveBench · 语言与指令已计入综合排名73.8%
原榜型号gpt-5.6-terra-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 02:00 · 实测日期未公开
Arena Text已计入综合排名1,466
原榜型号gpt-5.6-terra-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 02:00 · 实测日期未公开
Arena WebDev已计入综合排名1,521.2
原榜型号gpt-5.6-terra-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 02:00 · 实测日期未公开
Arena 创作盲选已计入综合排名1,426.4
原榜型号gpt-5.6-terra-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 02:00 · 实测日期未公开

编程3

DeepSWE v1.1已计入综合排名69.6%
原榜型号gpt-5-6-terra
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 02:00 · 实测日期未公开
LiveBench · 编程已计入综合排名66.6%
原榜型号gpt-5.6-terra-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 02:00 · 实测日期未公开
TapTap Maker已计入综合排名81.8%
原榜型号gpt-5.6-terra
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 02:00 · 实测日期未公开

推理5

FrontierMath v2 · Tiers 1–3已计入综合排名86.0%
原榜型号gpt-5.6-terra_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 23:58 · 核验 09/16 02:00 · 实测日期未公开
FrontierMath v2 · Tier 4已计入综合排名70.7%
原榜型号gpt-5.6-terra_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 23:58 · 核验 09/16 02:00 · 实测日期未公开
Chess Puzzles已计入综合排名54.0%
原榜型号gpt-5.6-terra_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 07/10 01:07 · 核验 09/16 02:00 · 实测日期未公开
Mystery Game Puzzles已计入综合排名35.0%
原榜型号gpt-5.6-terra_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 02:00 · 实测日期未公开
LiveBench · 推理已计入综合排名92.8%
原榜型号gpt-5.6-terra-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 02:00 · 实测日期未公开

知识2

SimpleQA Verified已计入综合排名43.2%
原榜型号gpt-5.6-terra_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 02:00 · 实测日期未公开
GPQA Diamond已计入综合排名93.3%
原榜型号gpt-5.6-terra_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 07/10 01:07 · 核验 09/16 02:00 · 实测日期未公开

专业办公2

APEX-Agents 1.1已计入综合排名58.2%
原榜型号gpt-5.6-terra-max
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 02:00 · 实测日期未公开
Vals Finance Agent已计入综合排名54.4%
原榜型号openai/gpt-5.6-terra
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 02:00 · 实测日期未公开

视觉理解1

Arena Vision已计入综合排名1,266.7
原榜型号gpt-5.6-terra-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 02:00 · 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 →