聪明世界#54
编程中等
记性400K
便宜$10
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 →他的房间
电脑
73.5% · SWE-bench Verified · Epoch AI 统一复跑
书架
4 层 · 记忆 400K tokens
黑板
数学与科学推理
日历
知识停在 2024-09-30
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
- 2025 年 8 月 7 日models.dev
- 知识截止
- 2024-09-30
- 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
- 400K tokens
- 单次最大输出
- 128K
- 输入价格
- $1.25 / 百万 tokens
- 输出价格
- $10 / 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、文字 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 150.0
- AIME 数学
- 91.4%
- GPQA Diamond 科学
- 86.2%
- ARC-AGI-2 抽象推理
- 9.9%
- Fiction.liveBench 长文本
- 96.9%
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 Verified73.5%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 Pro41.8%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
- Terminal-Bench 2.049.6%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50.0%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=2025-05-30
- Aider Polyglot88.0%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75.0%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=2025-05-30
- ALE-Bench1162AtCoder 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
- AlgoTune1.67×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
- GSO5.9%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://gso-bench.github.io/leaderboard.html
- WebDev Arena1419 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150.0第 54 / 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
- SimpleBench56.7%第 36 / 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
- FrontierMath55.4%第 41 / 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）32.4%第 18 / 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21.9%第 37 / 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）12.5%第 15 / 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91.4%第 48 / 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98.1%第 1 / 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
- ProofBench18.0%第 43 / 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25.3%第 12 / 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86.2%第 62 / 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-29.9%第 50 / 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）65.7%第 49 / 107ARC-AGI 的第一代题库，已被第二代取代。第三方实测https://arcprize.org/leaderboard
- SimpleQA 事实问答50.1%第 22 / 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49.6%第 11 / 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https://drb.futuresearch.ai
- CritPt 物理12.6%第 34 / 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
- WeirdML60.7%第 35 / 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3.4 小时第 12 / 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/
- APEX 专业任务18.3%第 34 / 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
- GDPval 职业任务34.8%第 11 / 22OpenAI 出的一组覆盖多个行业的真实职业任务，由专家把模型的产出与人类专业人士的成果盲比。分数是胜率。第三方实测
- 远程工作指数1.7%第 13 / 18Remote Labor Index：从自由职业平台上取的真实外包项目，看模型能独立交付多少。分数普遍很低，说明离「替代远程工作者」还远。第三方实测
长文本
- 长文本记忆96.9%第 1 / 41Fiction.liveBench：读一篇长小说后回答细节问题。很多模型号称能读百万字，实测读到一半就忘了前面。第三方实测https://epoch.ai/benchmarks
多模态
- 看图猜地点81.0%第 7 / 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66.0%第 7 / 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37.0%第 25 / 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32.8%第 13 / 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23.0%第 31 / 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
- EnigmaEval10.5%第 15 / 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-bench12.7%第 17 / 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
写作
- 创意写作86.0%第 1 / 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
- Dtbench90.7%第 32 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca40.0%第 45 / 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 实测3 个视频
在 B 站搜「GPT-5 测评」↗
08:44我把 GPT-5 全面实测了：准不准、会不会编、值不值？| 从 0 到可用：GPT-5 代码能力暴走的一晚!神烦老狗2025.08.08·6.4 万播放
00:59实测GPT-5Pro，别被GPT5普通版骗了，Pro才是最强李辉锋专注AI2025.08.09·1.8 万播放
04:15Kimi K2 Thinking测评报告！打败GPT-5？AI产品狙击手2025.11.08·8519播放
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。