聪明世界#196
编程暂无
记性4K
便宜$2.0
记性换算成体感：一次只能读几千字
GPT 系列的文本模型 · 按发布时间
共 6 个 · OpenAI的全部模型 →他的房间
电脑
没有公开的编程评测成绩
书架
1 层 · 记忆 4K 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
- 2023 年 6 月 13 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
- 4K tokens
- 单次最大输出
- 4K
- 输入价格
- $1.50 / 百万 tokens
- 输出价格
- $2.00 / 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
- 118.5
- AIME 数学
- 2.2%
- GPQA Diamond 科学
- 28.0%
- 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118.5第 196 / 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
- FrontierMath0.0%第 97 / 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
- AIME 数学2.2%第 181 / 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15.9%第 82 / 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
- GSM8K57.8%第 7 / 9小学应用题。早期用来测数学能力，如今顶尖模型全部接近满分，只对小模型还有区分度。第三方实测http://arxiv.org/abs/2309.10305
知识与推理
- GPQA 科学28.0%第 185 / 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
- MMLU71.4%第 39 / 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/2404.14219
- WeirdML3.5%第 141 / 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 Hard61.6%第 12 / 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http://arxiv.org/abs/2309.10305
- WinoGrande81.6%第 12 / 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http://arxiv.org/abs/2311.16867
- BoolQ87.0%第 3 / 7读一段文字回答是或否。早期阅读理解榜单。第三方实测https://crfm.stanford.edu/helm/classic/latest/#/groups/boolq
- OpenBookQA86.0%第 1 / 3小学科学知识的开卷选择题。早期榜单。第三方实测http://arxiv.org/abs/2404.14219
- CommonsenseQA 257.0%第 1 / 3由人专门出来难住模型的常识判断题。早期榜单。第三方实测https://arxiv.org/pdf/2309.13165v1
- ARC（AI2 科学题）87.4%第 11 / 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/2404.14219
- TriviaQA85.8%第 1 / 14百科知识问答。早期榜单。第三方实测http://arxiv.org/abs/2404.14219
- ANLI58.1%第 1 / 3对抗式的自然语言推理题：两句话之间是蕴含、矛盾还是无关。早期榜单。第三方实测http://arxiv.org/abs/2404.14219
智能体
- 独立工作时长0.6 分钟第 51 / 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/
游戏与谜题
- 国际象棋残局0.0%第 144 / 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3.0%第 88 / 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
- Dtbench48.5%第 191 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca9.7%第 166 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca