← 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104.9万 Token
API 输入 / 输出 · 每百万 Token¥20 / ¥100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9—10 名

已完成的对照中均具备参评资格。保持原候选不变时为 910 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。

Grok 4.617 项共同评测共同证据支持对方

双方共同拥有当前榜单 80.0% 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1,458.41,451.35.0%
Arena Text1,484.81,455.65.0%
Arena WebDev1,674.31,617.62.4%
AA Index43.844.330.0%
DeepSWE v1.168.5%66.7%3.6%
Chess Puzzles39.0%31.0%1.8%
FrontierMath v2 · Tiers 1–372.2%66.0%3.6%
FrontierMath v2 · Tier 439.0%31.7%1.2%
GPQA Diamond93.1%93.2%2.0%
Mystery Game Puzzles26.0%34.0%1.2%
SimpleQA Verified50.6%48.9%4.0%
LiveBench · 编程71.8%66.9%2.4%
LiveBench · 推理87.6%91.5%4.2%
LiveBench · 语言与指令78.4%77.8%3.0%
APEX-Agents 1.150.6%65.3%4.0%
TapTap Maker79.7%87.3%3.6%
Vals Finance Agent54.4%53.7%3.0%
查看 Grok 4.6 的完整证据 →
GPT-5.6 Terra19 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1,458.41,426.45.0%
Arena Text1,484.81,4665.0%
Arena WebDev1,674.31,521.22.4%
AA Index43.842.330.0%
DeepSWE v1.168.5%69.6%3.6%
Chess Puzzles39.0%54.0%1.8%
FrontierMath v2 · Tiers 1–372.2%86.0%3.6%
FrontierMath v2 · Tier 439.0%70.7%1.2%
GPQA Diamond93.1%93.3%2.0%
Mystery Game Puzzles26.0%35.0%1.2%
SimpleQA Verified50.6%43.2%4.0%
Creative Writing v32,070.61,850.33.6%
Longform Writing79.6782.4%
LiveBench · 编程71.8%66.6%2.4%
LiveBench · 推理87.6%92.8%4.2%
LiveBench · 语言与指令78.4%73.8%3.0%
APEX-Agents 1.150.6%58.2%4.0%
TapTap Maker79.7%81.8%3.6%
Vals Finance Agent54.4%54.4%3.0%
查看 GPT-5.6 Terra 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1,458.41,462.45.0%
Arena Text1,484.81,4835.0%
Arena WebDev1,674.31,614.42.4%
AA Index43.844.930.0%
DeepSWE v1.168.5%69.0%3.6%
Chess Puzzles39.0%21.0%1.8%
FrontierMath v2 · Tiers 1–372.2%68.8%3.6%
FrontierMath v2 · Tier 439.0%29.3%1.2%
GPQA Diamond93.1%90.9%2.0%
Mystery Game Puzzles26.0%33.0%1.2%
SimpleQA Verified50.6%41.0%4.0%
Creative Writing v32,070.62,064.13.6%
Longform Writing79.681.82.4%
LiveBench · 编程71.8%69.9%2.4%
LiveBench · 推理87.6%86.9%4.2%
LiveBench · 语言与指令78.4%74.6%3.0%
APEX-Agents 1.150.6%56.6%4.0%
TapTap Maker79.7%83.6%3.6%
Vals Finance Agent54.4%55.8%3.0%
查看 GLM-5.3 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 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1,458.41,464.55.0%
Arena Text1,484.81,481.45.0%
Arena WebDev1,674.31,558.82.4%
AA Index43.84230.0%
DeepSWE v1.168.5%59.0%3.6%
Chess Puzzles39.0%34.0%1.8%
FrontierMath v2 · Tiers 1–372.2%80.0%3.6%
FrontierMath v2 · Tier 439.0%56.1%1.2%
GPQA Diamond93.1%91.0%2.0%
Mystery Game Puzzles26.0%36.0%1.2%
SimpleQA Verified50.6%53.0%4.0%
Creative Writing v32,070.61,835.23.6%
Longform Writing79.680.82.4%
LiveBench · 编程71.8%66.2%2.4%
LiveBench · 推理87.6%91.8%4.2%
LiveBench · 语言与指令78.4%75.8%3.0%
APEX-Agents 1.150.6%48.9%4.0%
TapTap Maker79.7%82.8%3.6%
τ³-Banking37.1%39.7%2.0%
Vals Finance Agent54.4%53.9%3.0%
查看 Claude Opus 4.8 的完整证据 →
GPT-5.6 Sol20 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1,458.41,473.15.0%
Arena Text1,484.81,483.55.0%
Arena WebDev1,674.31,617.32.4%
AA Index43.847.130.0%
DeepSWE v1.168.5%72.7%3.6%
Chess Puzzles39.0%55.0%1.8%
FrontierMath v2 · Tiers 1–372.2%89.1%3.6%
FrontierMath v2 · Tier 439.0%82.9%1.2%
GPQA Diamond93.1%93.5%2.0%
Mystery Game Puzzles26.0%58.0%1.2%
SimpleQA Verified50.6%69.7%4.0%
Creative Writing v32,070.61,963.43.6%
Longform Writing79.681.72.4%
LiveBench · 编程71.8%70.1%2.4%
LiveBench · 推理87.6%93.9%4.2%
LiveBench · 语言与指令78.4%79.8%3.0%
APEX-Agents 1.150.6%51.4%4.0%
TapTap Maker79.7%86.5%3.6%
τ³-Banking37.1%46.9%2.0%
Vals Finance Agent54.4%53.8%3.0%
查看 GPT-5.6 Sol 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43.8
原榜型号kimi-k3
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2,070.6
原榜型号kimi-k3
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79.6
原榜型号kimi-k3
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78.4%
原榜型号kimi-k3
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 09/10 23:13 · 核验 09/16 02:00 · 实测日期未公开
Arena Text已计入综合排名1,484.8
原榜型号kimi-k3-max
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 09/13 08:00 · 核验 09/16 02:00 · 实测日期未公开
Arena WebDev已计入综合排名1,674.3
原榜型号kimi-k3-max
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 09/11 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1,458.4
原榜型号kimi-k3-max
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 09/13 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68.5%
原榜型号kimi-k3
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71.8%
原榜型号kimi-k3
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 09/10 23:13 · 核验 09/16 02:00 · 实测日期未公开
TapTap Maker已计入综合排名79.7%
原榜型号kimi-k3
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 09/10 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72.2%
原榜型号kimi-k3_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 07/17 09:48 · 核验 09/16 02:00 · 实测日期未公开
FrontierMath v2 · Tier 4已计入综合排名39.0%
原榜型号kimi-k3_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 07/17 09:48 · 核验 09/16 02:00 · 实测日期未公开
Chess Puzzles已计入综合排名39.0%
原榜型号kimi-k3_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 07/17 05:59 · 核验 09/16 02:00 · 实测日期未公开
Mystery Game Puzzles已计入综合排名26.0%
原榜型号kimi-k3_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 11:26 · 核验 09/16 02:00 · 实测日期未公开
LiveBench · 推理已计入综合排名87.6%
原榜型号kimi-k3
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 09/10 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50.6%
原榜型号kimi-k3_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 08/28 03:36 · 核验 09/16 02:00 · 实测日期未公开
GPQA Diamond已计入综合排名93.1%
原榜型号kimi-k3_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 07/17 05:59 · 核验 09/16 02:00 · 实测日期未公开

专业办公3

APEX-Agents 1.1已计入综合排名50.6%
原榜型号kimi-k3
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
τ³-Banking已计入综合排名37.1%
原榜型号Kimi K3
代表配置Max 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 07/24 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kimi/kimi-k3
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 09/11 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 →