GPT-5 Pro

天价、记性很好、会看图的模型

聪明世界#49

编程很强

记性400K

便宜$120

记性换算成体感：一次能读完一本《三体》

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 →

电脑

没有公开的编程评测成绩

书架

4 层 · 记忆 400K tokens

黑板

一块空黑板

日历

知识停在 2024-09-30

门禁

闭源，权重不公开

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。

LiveBench 智能体编程51.7%
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72.1%
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
AlgoTune1.31×
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

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。

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150.3第 49 / 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
SimpleBench61.6%第 23 / 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

FrontierMath55.8%第 39 / 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 第四层19.5%第 41 / 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）14.6%第 12 / 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

知识与推理

HLE 终极考试31.6%第 8 / 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/
ARC-AGI-218.3%第 43 / 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）70.2%第 48 / 107
ARC-AGI 的第一代题库，已被第二代取代。第三方实测
https://arcprize.org/leaderboard
WeirdML60.4%第 36 / 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

游戏与谜题

EnigmaEval18.8%第 7 / 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

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。