Gemma 4 31B IT

白菜价、记性很好、会看图的开源模型

聪明世界#127

编程偏弱

记性262K

便宜$0.40

记性换算成体感：一次能读完一本《三体》

Gemma 系列的视觉模型 · 按发布时间

电脑

没有公开的编程评测成绩

书架

4 层 · 记忆 262K tokens

黑板

数学与科学推理

日历

知识停在 2025-01

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

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40.0%
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=2026-01-08
LiveBench 编程分项60.3%
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-Bench926
AtCoder 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
WebDev Arena1364 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143.1第 127 / 225
Epoch Capabilities Index，把十几项学术评测归并成一个总分。想看综合实力，先看这一栏。第三方实测
https://epoch.ai/benchmarks

数学

AIME 数学73.3%第 112 / 212
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 115 / 215
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
SimpleQA 事实问答10.4%第 106 / 109
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
CritPt 物理1.4%第 93 / 192
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
WeirdML52.3%第 52 / 151
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

Surface Evolver30.6%第 24 / 34
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/

长文本

其他

Dtbench82.7%第 91 / 222
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/dtbench
Lmca39.3%第 66 / 206
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/lmca

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。