GPT-5.3 Codex

编程战绩（按赛制分列）

• SWE-bench Verified74.8%
  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
• Terminal-Bench 2.078.4%
  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55.0%
  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=2026-01-08
• 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=2026-01-08
• ALE-Bench1655
  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
• SWE-Atlas 代码库问答32.6%
  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42.4%
  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39.0%
  给已有代码补写测试用例。第三方实测
  https://labs.scale.com/leaderboard/sweatlas-tw
• WebDev Arena1369 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。