聪明世界#9
编程很强自报
记性1.1M
便宜$10
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 →她的房间
电脑
没有公开的编程评测成绩
书架
5 层 · 记忆 1.1M tokens
黑板
数学与科学推理
日历
知识停在 2026-04-20
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
- 2026 年 9 月 22 日models.dev
- 知识截止
- 2026-04-20
- 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
- 1.1M tokens
- 单次最大输出
- 128K
- 输入价格
- $2.00 / 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
- 163.8
- AIME 数学
- 100.0%
- GPQA Diamond 科学
- 94.3%
- ARC-AGI-2 抽象推理
- 89.6%
- 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）
- DeepSWE68.8%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
- FrontierCode49.3%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-Bench2462AtCoder 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 Arena1689 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163.8第 9 / 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
数学
- FrontierMath89.8%第 6 / 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90.0%第 6 / 85FrontierMath 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100.0%第 1 / 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
- ProofBench83.0%第 14 / 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94.3%第 9 / 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-289.6%第 8 / 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）95.5%第 14 / 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60.7%第 16 / 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30.9%第 7 / 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
- OSWorld 2.0 离线集60.5%第 1 / 1OpenAI 发布文里的 OSWorld 2.0 口径：离线题集的部分得分。和 Anthropic 公布的口径不是一回事，不能放在一起比。厂商自报
- AutomationBench33.2%第 2 / 2Zapier 出的业务流程测试：用 47 个工具跑完销售、市场、客服、财务里的端到端流程。考的是能不能替你把一整套办公流程跑通。第三方实测https://zapier.com/benchmarks
- Agents' Last Exam56.4%第 1 / 1横跨 55 个细分行业的长流程专业工作，看智能体能不能独立干完一件有经济价值的活。厂商自报
- 经营售货机$14,428第 2 / 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
- APEX 专业任务54.3%第 26 / 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
- BlueprintBench36.9%第 9 / 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
游戏与谜题
- 国际象棋残局56.0%第 13 / 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56.0%第 10 / 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
- EBR-bench53.3%第 7 / 34Epoch 自建的一项评测，具体口径以 Epoch 榜单页说明为准。第三方实测https://epoch.ai/benchmarks
其他
- Dtbench97.3%第 6 / 222Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Frontiermath Erdos1.5%第 5 / 14Epoch AI 收录的评测，暂无中文说明。第三方实测
- Furniture Assembly58.3%第 9 / 41Epoch AI 收录的评测，暂无中文说明。第三方实测
- Lmca59.1%第 11 / 206Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
- Spireclimb7.5%第 3 / 7Epoch AI 收录的评测，暂无中文说明。第三方实测
- Spireclimb Sts1 A20 Heart1.7%第 3 / 7Epoch AI 收录的评测，暂无中文说明。第三方实测
- Spireclimb Sts2 A1013.3%第 3 / 7Epoch AI 收录的评测，暂无中文说明。第三方实测
- Weirdml V327.6%第 10 / 30Epoch AI 收录的评测，暂无中文说明。第三方实测https://htihle.github.io/weirdml.html