聪明世界#71
编程顶尖
记性200K
便宜$8.0
记性换算成体感：一次能读完一本《三体》
o 系列的视觉模型 · 按发布时间
共 8 个 · 这里是相邻的 7 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 200K tokens
黑板
一块空黑板
日历
知识停在 2024-05
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 4 月 16 日models.dev
- 知识截止
- 2024-05
- 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
- 200K tokens
- 单次最大输出
- 100K
- 输入价格
- $2.00 / 百万 tokens
- 输出价格
- $8.00 / 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
- 146.9
- AIME 数学
- 未参评
- GPQA Diamond 科学
- 未参评
- ARC-AGI-2 抽象推理
- 6.5%
- 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）
- Aider Polyglot81.3%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/
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146.9第 71 / 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
知识与推理
- ARC-AGI-26.5%第 53 / 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）60.8%第 56 / 107ARC-AGI 的第一代题库，已被第二代取代。第三方实测https://arcprize.org/leaderboard
- CritPt 物理1.4%第 75 / 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
智能体
- APEX 专业任务17.2%第 39 / 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30.8%第 13 / 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
长文本
- CL-bench 长上下文17.8%第 22 / 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
其他
- Dtbench84.8%第 63 / 198Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca39.7%第 47 / 183Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca