聪明世界#133
编程入门
记性131K
便宜$0.60
记性换算成体感：一次能读完一本中篇小说
GPT OSS 系列的文本模型 · 按发布时间
共 2 个 · OpenAI的全部模型 →他的房间
电脑
没有公开的编程评测成绩
书架
3 层 · 记忆 131K tokens
黑板
数学与科学推理
日历
知识截止日期未公开
冰箱
支持上下文缓存，能存记忆
敞开的门
开源权重，谁都能进
身世
- 发布日期
- 2025 年 8 月 5 日models.dev
- 知识截止
- 暂无数据
- 参数量
- 114.66B
- 开放权重
- 是
- 开源许可
- Apache-2.0
- 上下文窗口
- 131K tokens
- 单次最大输出
- 33K
- 输入价格
- $0.15 / 百万 tokens
- 输出价格
- $0.60 / 百万 tokens
- 模型类型
- 文本只读文字、只写文字的对话模型
- 支持的输入
- 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
- 140.1
- AIME 数学
- 88.9%
- GPQA Diamond 科学
- 75.8%
- ARC-AGI-2 抽象推理
- 未参评
- 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）
- Terminal-Bench 2.018.7%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://www.tbench.ai/leaderboard/terminal-bench/2.0
- LiveBench 智能体编程16.7%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
- Aider Polyglot41.8%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://epoch.ai/benchmarks
- LiveBench 编程分项60.2%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-Bench576AtCoder 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
- AlgoTune1.41×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。
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140.1第 133 / 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
- SimpleBench22.1%第 94 / 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
- AIME 数学88.9%第 55 / 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
知识与推理
- GPQA 科学75.8%第 103 / 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
- CritPt 物理1.1%第 76 / 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
- WeirdML48.2%第 62 / 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42 分钟第 27 / 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/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/
- 经营售货机-$21.53第 87 / 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4.7%第 67 / 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
- Surface Evolver25.0%第 27 / 30用一款专业的曲面数值软件完成计算任务，考的是驾驭陌生专业工具的能力。第三方实测https://yhenon.github.io/surface-evolver-llm-eval/
游戏与谜题
- 国际象棋残局20.0%第 68 / 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2.0%第 91 / 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
写作
- 创意写作77.1%第 35 / 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
- Dtbench76.3%第 109 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca22.1%第 121 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca