聪明世界#13
编程顶尖
记性1.1M
便宜$15
记性换算成体感：一次能读完《哈利·波特》全七部
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
76.9% · SWE-bench Verified · Epoch AI 统一复跑
书架
5 层 · 记忆 1.1M tokens
黑板
数学与科学推理
日历
知识停在 2025-08-31
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 3 月 5 日models.dev
- 知识截止
- 2025-08-31
- 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
- 1.1M tokens
- 单次最大输出
- 128K
- 输入价格
- $2.50 / 百万 tokens
- 输出价格
- $15 / 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
- 156.9
- AIME 数学
- 97.8%
- GPQA Diamond 科学
- 93.3%
- ARC-AGI-2 抽象推理
- 74.0%
- 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）
- SWE-bench Verified76.9%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 Pro59.1%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
- DeepSWE51.8%SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测https://deepswe.datacurve.ai/
- Terminal-Bench75.1%把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报https://openai.com/index/introducing-gpt-5-5/
- Terminal-Bench 2.081.8%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53.8%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
- LiveBench 编程分项77.5%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-Bench1607AtCoder 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
- AlgoTune1.85×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
- GSO30.4%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40.8%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44.3%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44.4%给已有代码补写测试用例。第三方实测https://labs.scale.com/leaderboard/sweatlas-tw
- MirrorCode15.6%Epoch AI 自测的一项代码评测。第三方实测https://epoch.ai/benchmarks
- WebDev Arena1463 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156.9第 13 / 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
- FrontierMath78.6%第 12 / 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）47.6%第 4 / 95FrontierMath 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49.0%第 12 / 71FrontierMath 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）27.1%第 4 / 66FrontierMath 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97.8%第 17 / 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
- ProofBench56.0%第 15 / 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36.2%第 5 / 58Humanity'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93.3%第 13 / 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-274.0%第 13 / 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）93.7%第 14 / 107ARC-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45.1%第 41 / 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35.1%第 36 / 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23.4%第 10 / 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
- WeirdML77.7%第 12 / 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5.7 小时第 7 / 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/
- 经营售货机$6,144第 14 / 89Vending-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36.0%第 11 / 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
- PostTrainBench19.0%第 11 / 11让模型自己去微调一个更小的模型，考的是「会不会炼丹」。第三方实测
- BlueprintBench27.1%第 12 / 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
长文本
- CL-bench 长上下文27.9%第 1 / 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21.7%第 2 / 29CL-bench 的日常生活场景分支。第三方实测
多模态
- GBA 游戏评测45.1%第 10 / 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/gpt-5-4
游戏与谜题
- 国际象棋残局44.0%第 15 / 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37.0%第 12 / 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
- EnigmaEval16.0%第 9 / 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-bench25.4%第 9 / 27Epoch 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
- Dtbench94.4%第 16 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca52.0%第 13 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
B 站上的 GPT-5.4 实测1 个视频
在 B 站搜「GPT-5.4 测评」↗
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。