聪明世界#74
算法偏弱
记性1M
便宜$1.6
记性换算成体感：一次能读完《哈利·波特》全七部
Qwen 系列的视觉模型 · 按发布时间
共 28 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
5 层 · 记忆 1M 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
- 2026 年 2 月 16 日epoch.ai
- 知识截止
- 暂无数据
- 参数量
- 体型为估算值，官方从未公布参数量
- 开放权重
- 暂无数据
- 开源许可
- 暂无数据
- 上下文窗口
- 1M tokens
- 单次最大输出
- 66K
- 输入价格
- $0.26 / 百万 tokens
- 输出价格
- $1.56 / 百万 tokens
- 模型类型
- 视觉除了文字还能看图片或视频，输出文字
- 支持的输入
- 图像、文字、视频 → 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
- 146.7
- AIME 数学
- 86.7%
- GPQA Diamond 科学
- 84.8%
- 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）
- ALE-Bench622AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测https://epoch.ai/benchmarks
- WebDev Arena1399 Elo让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测https://epoch.ai/benchmarks
这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。
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146.7第 74 / 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
- FrontierMath（旧版）21.0%第 33 / 95FrontierMath 2025 年初的版本，已被新题库取代。留作历史对照。第三方实测https://epoch.ai/frontiermath
- FrontierMath 第四层（旧版）2.1%第 43 / 66FrontierMath 第四层 2025 年中的版本，已被新题库取代。第三方实测https://epoch.ai/frontiermath
- AIME 数学86.7%第 64 / 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
知识与推理
- GPQA 科学84.8%第 70 / 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
- SimpleQA 事实问答25.4%第 79 / 97一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
智能体
- 经营售货机$0.54第 79 / 89Vending-Bench：让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱，考的是长期不犯糊涂。第三方实测https://andonlabs.com/evals/vending-bench
- APEX 专业任务13.6%第 43 / 77投行、律所、咨询公司的真实工作任务，由业内专家出题与评分。第三方实测
长文本
- CL-bench 长上下文19.8%第 14 / 40在很长的上下文里做推理与检索，测的是长文本的实际可用程度。第三方实测
- CL-bench 生活版12.4%第 12 / 29CL-bench 的日常生活场景分支。第三方实测
游戏与谜题
- 国际象棋残局22.0%第 57 / 156给一个棋局找出最佳着法。分数是解对的比例，随机乱走约 5 分。第三方实测https://epoch.ai/benchmarks/chess-puzzles
- 推理游戏谜题17.0%第 54 / 91Epoch 自建的一组推理小游戏，测的是在规则未知的环境里摸索规律。第三方实测https://epoch.ai/benchmarks
其他
- Dtbench80.5%第 87 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca36.4%第 68 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca