Claude Opus 4.6

Anthropic的全部模型 →国外视觉模型综合智力第 25 名

综合智力全球第 25，天价、会看图

查看评测视频查看评测文章

聪明世界#25

编程顶尖

记性1M

便宜$25

记性换算成体感：一次能读完《哈利·波特》全七部

Claude Opus 系列的视觉模型 · 按发布时间

共 11 个 · 这里是相邻的 7 个 · Anthropic的全部模型 →

他的房间

电脑

78.7% · SWE-bench Verified · Epoch AI 统一复跑

书架

5 层 · 记忆 1M tokens

黑板

数学与科学推理

日历

知识停在 2025-05-31

冰箱

支持上下文缓存，能存记忆

门禁

闭源，权重不公开

身世

发布日期: 2026 年 2 月 4 日openrouter
知识截止: 2025-05-31
参数量: 体型为估算值，官方从未公布参数量
开放权重: 否
开源许可: 暂无数据
上下文窗口: 1M tokens
单次最大输出: 128K
输入价格: $5.00 / 百万 tokens
输出价格: $25 / 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、文件、文字 → 文字
工具调用: 是
深度思考: 是
提示缓存: 是

战绩

综合智力: 155.3
AIME 数学: 94.4%
GPQA Diamond 科学: 90.5%
ARC-AGI-2 抽象推理: 69.2%
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）

SWE-bench Verified78.7%
从真实 GitHub 仓库里挑出的 500 个 issue，看模型能不能提交出通过测试的补丁。业界最通行的编程标尺。这一列由 Epoch AI 用统一脚手架复跑。第三方实测
https://epoch.ai/benchmarks
SWE-Bench Pro51.9%
同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。第三方实测
https://labs.scale.com/leaderboard/swe_bench_pro_public
Terminal-Bench 2.079.8%
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49.0%
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=2026-06-25
FrontierCode26.6%
Cognition 出的高难度代码题集，面向前沿模型。第三方实测
https://cognition.com/frontiercode
LiveBench 编程分项78.2%
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=2026-06-25
ALE-Bench997
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
AlgoTune1.47×
给定一段算法实现，让模型把它调得更快。分数是加速倍率（约 1.3–2 倍），不是百分比。考的是性能调优而不是功能实现。第三方实测
https://epoch.ai/benchmarks
GSO37.3%
代码性能优化测试：在保持功能不变的前提下把真实项目跑得更快。第三方实测
https://epoch.ai/benchmarks
SWE-Atlas 代码库问答33.3%
给模型一个陌生的大型代码库，问它这段代码在干什么。考的是读代码，不是写代码。第三方实测
https://labs.scale.com/leaderboard/sweatlas-qna
SWE-Atlas 重构35.6%
在不改变行为的前提下重构已有代码。第三方实测
https://labs.scale.com/leaderboard/sweatlas-refactoring
SWE-Atlas 写测试36.7%
给已有代码补写测试用例。第三方实测
https://labs.scale.com/leaderboard/sweatlas-tw
WebDev Arena1556 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155.3第 25 / 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
SimpleBench67.6%第 13 / 103
一套普通人能轻松答对、模型却常常答错的常识题。分数越高越少犯「一看就傻」的错。第三方实测
https://simple-bench.com/

数学

FrontierMath66.0%第 24 / 99
由职业数学家出的原创难题，连数学博士都要花几小时甚至几天。分数是解出的比例，能过一成就是前沿水平。第三方实测
https://epoch.ai/frontiermath
FrontierMath（旧版）40.7%第 7 / 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26.8%第 28 / 71
FrontierMath 里最难的一层，研究级别的问题，绝大多数模型接近零分。第三方实测
https://epoch.ai/frontiermath
FrontierMath 第四层（旧版）22.9%第 6 / 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94.4%第 34 / 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
ProofBench50.0%第 21 / 79
不是算出答案，而是写出完整证明并由人评判。考的是数学推理的严谨程度。第三方实测
https://www.vals.ai/benchmarks/proof_bench

知识与推理

HLE 终极考试34.4%第 7 / 58
Humanity's Last Exam，各学科专家出的刁钻题，专为难住模型而设计。能过四成就是当今顶尖。第三方实测
https://lastexam.ai/
GPQA 科学90.5%第 37 / 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-269.2%第 16 / 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）94.0%第 13 / 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47.0%第 33 / 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55.3%第 1 / 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
WeirdML78.0%第 11 / 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

独立工作时长12 小时第 1 / 53
METR 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/
经营售货机$8,018第 7 / 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32.4%第 20 / 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
远程工作指数4.2%第 5 / 18
Remote Labor Index：从自由职业平台上取的真实外包项目，看模型能独立交付多少。分数普遍很低，说明离「替代远程工作者」还远。第三方实测
Cybench 网络安全93.0%第 1 / 19
夺旗赛（CTF）风格的网络安全题，测攻防能力。第三方实测
https://www-cdn.anthropic.com/0dd865075ad3132672ee0ab40b05a53f14cf5288.pdf

长文本

CL-bench 长上下文20.7%第 12 / 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17.0%第 6 / 29
CL-bench 的日常生活场景分支。第三方实测

多模态

GBA 游戏评测44.1%第 11 / 23
看画面操作掌机游戏，测的是视觉理解加实时决策。第三方实测
https://gbaeval.com/model/claude-opus-4-6

游戏与谜题

国际象棋残局17.0%第 80 / 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25.0%第 30 / 91
Epoch 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
EnigmaEval7.6%第 23 / 51
解谜比赛里的复杂谜题，通常要综合图像、文字和多步推理。第三方实测
https://labs.scale.com/leaderboard/enigma_eval
EBR-bench12.7%第 17 / 27
Epoch 自建的一项评测，具体口径以 Epoch 榜单页说明为准。第三方实测
https://epoch.ai/benchmarks

其他

Dtbench91.2%第 25 / 198
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/dtbench
Lmca55.8%第 6 / 183
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/lmca