Claude Haiku 4.5

偏贵、记性不错、会看图的模型

聪明世界#121

编程偏弱

记性200K

便宜$5.0

记性换算成体感：一次能读完一本《三体》

Claude Haiku 系列的视觉模型 · 按发布时间

电脑

没有公开的编程评测成绩

书架

3 层 · 记忆 200K tokens

黑板

数学与科学推理

日历

知识停在 2025-02-28

冰箱

支持上下文缓存，能存记忆

门禁

闭源，权重不公开

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。

Terminal-Bench 2.035.5%
Terminal-Bench 的第二代题库，任务更长更杂。与 1.0 的分数不可直接比较。第三方实测
https://epoch.ai/benchmarks
LiveBench 智能体编程33.3%
LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测
https://livebench.ai/#/?release=2026-01-08
LiveBench 编程分项72.2%
LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测
https://livebench.ai/#/?release=2026-01-08
ALE-Bench653
AtCoder 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 Arena1327 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。

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142.4第 121 / 208
Epoch 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）5.9%第 56 / 95
FrontierMath 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 / 66
FrontierMath 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66.7%第 113 / 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96.4%第 12 / 91
MATH 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71.2%第 110 / 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
ARC-AGI-24.0%第 64 / 108
看几组图形样例找规律的智力题，人类轻松、模型艰难。专门测「没见过的题会不会做」。第三方实测
https://epoch.ai/benchmarks
ARC-AGI（第一代）47.7%第 72 / 107
ARC-AGI 的第一代题库，已被第二代取代。第三方实测
https://arcprize.org/
SimpleQA 事实问答13.2%第 89 / 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
深度研究45.5%第 21 / 38
给一个开放的研究课题，让模型上网查资料写出报告，由人评质量。第三方实测
CritPt 物理0.0%第 112 / 163
研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
WeirdML45.4%第 74 / 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

智能体

经营售货机$459第 71 / 89
Vending-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8.9%第 51 / 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
ExploitBench13.7%第 7 / 9
给一个真实的软件漏洞，看模型能不能写出利用代码。安全评测，不是日常能力。第三方实测
BlueprintBench0.0%第 20 / 29
看房屋照片画出平面图，测空间理解与工程绘图能力。第三方实测
https://andonlabs.com/evals/blueprint-bench-2

游戏与谜题

国际象棋残局8.0%第 106 / 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
BALROG 游戏31.2%第 20 / 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

Dtbench73.6%第 118 / 198
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/dtbench
Lmca30.9%第 85 / 183
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/lmca

以上为 B 站搜索结果，按播放量排（站长的视频置顶），内容由各 UP 主提供，不代表本站观点。