聪明世界#179
编程入门
记性128K
便宜$0.60
记性换算成体感：一次能读完一本中篇小说
GPT 系列的视觉模型 · 按发布时间
共 46 个 · 这里是相邻的 7 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
3 层 · 记忆 128K tokens
黑板
数学与科学推理
日历
知识截止日期未公开
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
- 2024 年 7 月 18 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
- 128K tokens
- 单次最大输出
- 16K
- 输入价格
- $0.15 / 百万 tokens
- 输出价格
- $0.60 / 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
- 暂无数据
- 深度思考
- 暂无数据
- 提示缓存
- 是
战绩
- 综合智力
- 126.6
- AIME 数学
- 6.9%
- GPQA Diamond 科学
- 37.7%
- ARC-AGI-2 抽象推理
- 0.0%
- 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）
- Aider Polyglot3.6%多语言代码编辑测试，看模型能不能按要求准确改动已有代码。榜单已停更在 2025 年底，只覆盖那之前的模型。第三方实测https://aider.chat/docs/leaderboards/#polyglot-leaderboard
- LiveBench 编程分项55.0%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=2025-04-25
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126.6第 179 / 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
- SimpleBench10.7%第 102 / 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
- FrontierMath0.7%第 89 / 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6.9%第 162 / 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52.6%第 56 / 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
- GSM8K91.3%第 3 / 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/2404.14219
知识与推理
- GPQA 科学37.7%第 179 / 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-20.0%第 95 / 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
- SimpleQA 事实问答8.3%第 95 / 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
- MMLU81.8%第 20 / 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
- WeirdML11.8%第 135 / 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
- PIQA88.7%第 1 / 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/2404.14219
- BoolQ88.7%第 1 / 7读一段文字回答是或否。早期阅读理解榜单。第三方实测http://arxiv.org/abs/2404.14219
多模态
- 视频理解64.8%第 6 / 8Video-MME：看一段视频回答问题，从几秒的短片到一小时的长片都有。第三方实测https://video-mme.github.io/home_page.html#leaderboard
- 看图猜地点64.0%第 18 / 29GeoBench：给一张街景照片猜出在哪个国家。测的是视觉细节与地理知识。第三方实测https://geobench.org/
- 视觉物理预测34.0%第 32 / 36VPCT：看一张小球与斜坡的图，预测球会滚进哪个杯子。测视觉直觉物理。第三方实测https://cbrower.dev/vpct
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
- BALROG 游戏17.4%第 30 / 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/
- 推理游戏谜题12.0%第 65 / 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
写作
- 创意写作67.2%第 57 / 60Lech Mazur 的短篇写作评测：按给定元素写故事，由多个模型交叉评分。分数是 0–10 的均分换算成百分制。第三方实测https://github.com/lechmazur/Writing
其他
- Dtbench54.4%第 177 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca10.4%第 159 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca