聪明世界#169
编程暂无
记性33K
便宜$0.40
记性换算成体感：一次能读完一篇长论文
Qwen 系列的文本模型 · 按发布时间
共 31 个 · 这里是相邻的 7 个 · 阿里通义的全部模型 →他的房间
电脑
没有公开的编程评测成绩
书架
2 层 · 记忆 33K tokens
黑板
数学与科学推理
日历
知识截止日期未公开
门禁
闭源，权重不公开
身世
- 发布日期
- 2024 年 9 月 19 日epoch.ai
- 知识截止
- 暂无数据
- 参数量
- 72B · 由型号名推断
- 开放权重
- 暂无数据
- 开源许可
- 暂无数据
- 上下文窗口
- 33K tokens
- 单次最大输出
- 16K
- 输入价格
- $0.36 / 百万 tokens
- 输出价格
- $0.40 / 百万 tokens
- 模型类型
- 文本只读文字、只写文字的对话模型
- 支持的输入
- 文字 → 文字
- 工具调用
- 暂无数据
- 深度思考
- 暂无数据
- 提示缓存
- 否
战绩
- 综合智力
- 129.0
- AIME 数学
- 8.1%
- GPQA Diamond 科学
- 49.1%
- ARC-AGI-2 抽象推理
- 未参评
- Fiction.liveBench 长文本
- 未参评
综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录， 不代表它做不到——本站不会用估算值填补空缺。
编程战绩（按赛制分列）
没有查到这个模型的任何公开编程评测成绩。
这表示「没人公开测过它」，不表示「它不会写代码」——本站不会用估算值填补空缺。
全部成绩（按榜单分列）
名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。
综合
- 综合智力129.0第 169 / 208Epoch Capabilities Index，把十几项学术评测归并成一个总分。想知道「谁最强」，先看这一栏。第三方实测https://epoch.ai/benchmarks
数学
- AIME 数学8.1%第 159 / 191美国高中数学邀请赛难度的模拟题，是数学竞赛能力的通行标尺。答对比例，满分 100。第三方实测https://epoch.ai/benchmarks
- MATH 五级63.2%第 51 / 91MATH 题库里难度最高的一档，高中竞赛水平。老榜单，顶尖模型早已接近满分。第三方实测https://epoch.ai/benchmarks/math-level-5
知识与推理
- GPQA 科学49.1%第 155 / 197博士级别的物理、化学、生物选择题，题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测https://epoch.ai/benchmarks
- MMLU85.3%第 16 / 44横跨 57 个学科的大学水平选择题，曾是最通行的知识广度标尺。如今顶尖模型已接近饱和。第三方实测http://arxiv.org/abs/2412.08905
- WeirdML16.0%第 131 / 146一批刻意古怪的小型机器学习任务，模型要自己写代码训练并拿到成绩。考的是解决陌生问题的能力。第三方实测https://htihle.github.io/weirdml.html
- BIG-Bench Hard79.8%第 10 / 14从 BIG-Bench 里挑出的一批模型当年做不好的推理题。老榜单，参考意义有限。第三方实测https://arxiv.org/pdf/2412.19437
- HellaSwag84.8%第 11 / 12给一段情景补上最合理的下一句，测常识推理。早期榜单，顶尖模型已接近满分。第三方实测https://arxiv.org/pdf/2412.19437
- WinoGrande82.3%第 11 / 17指代消解的常识题（「它」指的是哪个？）。早期榜单，已经饱和。第三方实测https://arxiv.org/pdf/2412.19437
- PIQA82.6%第 12 / 14物理常识题：要达成某个目的，哪种做法可行？早期榜单。第三方实测http://arxiv.org/abs/2412.19437
- ARC（AI2 科学题）94.5%第 10 / 14AI2 出的小学到初中科学选择题，与 ARC-AGI 无关。早期榜单。第三方实测http://arxiv.org/abs/2412.19437
- TriviaQA71.9%第 14 / 14百科知识问答。早期榜单。第三方实测https://arxiv.org/pdf/2412.19437
智能体
- 独立工作时长5.2 分钟第 48 / 53METR 的时间跨度：模型能可靠独立完成的任务，换成人来做要花多久。单位是时间，越长说明能独立干越大的活。第三方实测https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/
- 虚拟公司实习5.7%第 24 / 24TheAgentCompany：在一家模拟的软件公司里干活——查文档、发消息、写代码、填表。考的是当员工的综合本事。第三方实测https://github.com/TheAgentCompany/experiments/tree/main/evaluation/1.0.0/20241217_OpenHands-0.14.2-qwen2.5-72b
游戏与谜题
- BALROG 游戏16.2%第 33 / 41玩 NetHack、我的世界之类的文字或像素游戏，看能推进多少进度。第三方实测https://balrogai.com/
其他
- Dtbench62.9%第 147 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca13.4%第 156 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca