GPT-5.6 Luna

中等价位、能读长文、会看图的模型

聪明世界#32

编程很强自报

记性1.1M

便宜$1.2

记性换算成体感：一次能读完《哈利·波特》全七部

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 →

电脑

62.7% · SWE-Bench Pro · 厂商系统卡自评，未经第三方复核

书架

5 层 · 记忆 1.1M tokens

黑板

数学与科学推理

日历

知识停在 2026-02-16

冰箱

支持上下文缓存，能存记忆

门禁

闭源，权重不公开

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。

SWE-Bench Pro62.7%
同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。厂商自报
DeepSWE67.2%
SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测
https://deepswe.datacurve.ai/
Terminal-Bench84.7%
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
CursorBench35.9%
在真实 IDE 里做代码编辑的测试，题目来自 Cursor 收集的实际使用场景。第三方实测
https://cursor.com/cursorbench
FrontierCode39.8%
Cognition 出的高难度代码题集，面向前沿模型。第三方实测
https://cognition.com/frontiercode
ALE-Bench1667
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 Arena1519 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156.7第 32 / 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
SimpleBench46.8%第 51 / 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

FrontierMath82.1%第 16 / 113
由职业数学家出的原创难题，连数学博士都要花几小时甚至几天。分数是解出的比例，能过一成就是前沿水平。第三方实测
https://epoch.ai/frontiermath
FrontierMath 第四层61.0%第 16 / 85
FrontierMath 里最难的一层，研究级别的问题，绝大多数模型接近零分。第三方实测
https://epoch.ai/frontiermath
AIME 数学98.3%第 25 / 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
ProofBench60.0%第 21 / 97
不是算出答案，而是写出完整证明并由人评判。考的是数学推理的严谨程度。第三方实测
https://www.vals.ai/benchmarks/proof_bench

知识与推理

GPQA 科学91.6%第 29 / 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-259.5%第 42 / 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）88.0%第 42 / 121
ARC-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41.0%第 54 / 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20.6%第 27 / 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
WeirdML60.9%第 32 / 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$4,095第 43 / 101
Vending-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43.0%第 44 / 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
BlueprintBench22.6%第 26 / 39
看房屋照片画出平面图，测空间理解与工程绘图能力。第三方实测
https://andonlabs.com/evals/blueprint-bench-2
Surface Evolver61.9%第 9 / 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/

游戏与谜题

国际象棋残局43.0%第 33 / 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
BALROG 游戏45.6%第 9 / 49
玩 NetHack、我的世界之类的文字或像素游戏，看能推进多少进度。第三方实测
https://balrogai.com/
推理游戏谜题21.0%第 51 / 105
Epoch 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

其他

Dtbench89.1%第 65 / 222
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/dtbench
Furniture Assembly42.5%第 16 / 41
Epoch AI 收录的评测，暂无中文说明。第三方实测
Lmca48.5%第 31 / 206
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://conceptualreasoning.ai/lmca
Weirdml V39.3%第 27 / 30
Epoch AI 收录的评测，暂无中文说明。第三方实测
https://htihle.github.io/weirdml.html

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。