GPT-6 Astra

全世界综合智力最强的模型

聪明世界#1

编程顶尖

记性1.1M

便宜$50

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 →

电脑

没有公开的编程评测成绩

书架

5 层 · 记忆 1.1M tokens

黑板

数学与科学推理

日历

知识停在 2026-04-30

冰箱

支持上下文缓存，能存记忆

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。

DeepSWE74.1%
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-Bench57.9%
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/gpt-6-astra/
FrontierCode53.3%
Cognition 出的高难度代码题集，面向前沿模型。第三方实测
https://cognition.com/frontiercode
MirrorCode46.7%
Epoch AI 自测的一项代码评测。第三方实测
https://epoch.ai/benchmarks
WebDev Arena1797 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。

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166.3第 1 / 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

数学

FrontierMath93.7%第 1 / 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97.6%第 1 / 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
AIME 数学100.0%第 1 / 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
ProofBench99.0%第 2 / 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

GPQA 科学95.8%第 1 / 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-295.0%第 1 / 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）98.5%第 1 / 107
ARC-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75.6%第 1 / 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
CritPt 物理31.7%第 2 / 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
WeirdML92.9%第 2 / 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

游戏与谜题

国际象棋残局72.0%第 1 / 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84.0%第 1 / 91
Epoch 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
EBR-bench76.2%第 1 / 27
Epoch 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