聪明世界#41
编程偏弱自报
记性1.0M
便宜$4.3
记性换算成体感：一次能读完《哈利·波特》全七部
她的房间
电脑
没有公开的编程评测成绩
书架
5 层 · 记忆 1.0M tokens
黑板
一块空黑板
日历
知识停在 2026-01-04
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
- 2026 年 10 月 15 日models.dev
- 知识截止
- 2026-01-04
- 参数量
- 821.91B
- 开放权重
- 是
- 开源许可
- 暂无数据
- 上下文窗口
- 1.0M tokens
- 单次最大输出
- 131K
- 输入价格
- $1.25 / 百万 tokens
- 输出价格
- $4.25 / 百万 tokens
- 模型类型
- 全模态能听声音、也能看图，文字、图、声音一起理解
- 支持的输入
- 声音、图像、文字、视频 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 155.1
- AIME 数学
- 未参评
- GPQA Diamond 科学
- 未参评
- ARC-AGI-2 抽象推理
- 57.5%
- 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）
- DeepSWE60.0%SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。厂商自报
- Terminal-Bench76.4%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
- SWE-Atlas 代码库问答58.0%给模型一个陌生的大型代码库，问它这段代码在干什么。考的是读代码，不是写代码。厂商自报
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155.1第 41 / 225Epoch 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
知识与推理
- ARC-AGI-257.5%第 44 / 122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）89.0%第 37 / 121ARC-AGI 的第一代题库，已被第二代取代。第三方实测https://arcprize.org/
- CritPt 物理14.9%第 45 / 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
智能体
- APEX 专业任务33.4%第 52 / 68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