聪明世界#72
编程偏弱
记性400K
便宜$10
记性换算成体感：一次能读完一本《三体》
GPT 系列的视觉模型 · 按发布时间
共 55 个 · 这里是相邻的 7 个 · OpenAI的全部模型 →她的房间
电脑
68.0% · SWE-bench Verified · Epoch AI 统一复跑
书架
4 层 · 记忆 400K tokens
黑板
数学与科学推理
日历
知识停在 2024-09-30
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 11 月 13 日models.dev
- 知识截止
- 2024-09-30
- 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
- 400K tokens
- 单次最大输出
- 128K
- 输入价格
- $1.25 / 百万 tokens
- 输出价格
- $10 / 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、文字 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 149.9
- AIME 数学
- 88.6%
- GPQA Diamond 科学
- 87.6%
- ARC-AGI-2 抽象推理
- 17.6%
- 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）
- SWE-bench Verified68.0%从真实 GitHub 仓库里挑出的 500 个 issue，看模型能不能提交出通过测试的补丁。业界最通行的编程标尺。这一列由 Epoch AI 用统一脚手架复跑。第三方实测https://epoch.ai/benchmarks
- Terminal-Bench 2.047.6%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53.3%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72.5%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-Bench1192AtCoder 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
- GSO12.8%代码性能优化测试：在保持功能不变的前提下把真实项目跑得更快。第三方实测https://epoch.ai/benchmarks
- WebDev Arena1392 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。
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149.9第 72 / 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
- SimpleBench53.2%第 44 / 105一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
- FrontierMath（旧版）31.0%第 21 / 97FrontierMath 2025 年初的版本，已被新题库取代。留作历史对照。第三方实测https://epoch.ai/frontiermath
- FrontierMath 第四层（旧版）12.5%第 15 / 68FrontierMath 第四层 2025 年中的版本，已被新题库取代。第三方实测https://epoch.ai/frontiermath
- AIME 数学88.6%第 73 / 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
- HLE 终极考试23.7%第 21 / 62Humanity's Last Exam，各学科专家出的刁钻题，专为难住模型而设计。能过四成就是当今顶尖。第三方实测https://lastexam.ai/
- GPQA 科学87.6%第 67 / 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
- ARC-AGI-217.6%第 58 / 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）72.8%第 59 / 121ARC-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48.0%第 35 / 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
- 深度研究42.8%第 24 / 38给一个开放的研究课题，让模型上网查资料写出报告，由人评质量。第三方实测
- CritPt 物理4.9%第 71 / 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
- WeirdML60.8%第 33 / 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
- 经营售货机$1,473第 59 / 101Vending-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
长文本
- CL-bench 长上下文23.7%第 2 / 41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
- CL-bench 生活版17.3%第 3 / 29CL-bench 的日常生活场景分支。第三方实测
- 文档理解竞技场1403 Elo第 36 / 42丢一份文档进去提问，真人盲选谁读得更明白。第三方实测
多模态
- 视觉物理预测58.7%第 9 / 38VPCT：看一张小球与斜坡的图，预测球会滚进哪个杯子。测视觉直觉物理。第三方实测https://cbrower.dev/vpct
游戏与谜题
- 国际象棋残局42.0%第 35 / 107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19.0%第 57 / 105Epoch 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
- EnigmaEval11.2%第 12 / 52解谜比赛里的复杂谜题，通常要综合图像、文字和多步推理。第三方实测https://labs.scale.com/leaderboard/enigma_eval
其他
- Dtbench90.1%第 51 / 222Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Lmca43.9%第 52 / 206Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca