大模型世界

Claude Sonnet 4.5 (latest)

Anthropic的全部模型 →国外视觉模型综合智力第 90 名

天价、记性不错、会看图的模型

加入对比查看评测视频查看评测文章
聪明世界#90
编程偏弱
记性200K
便宜$15

记性换算成体感：一次能读完一本《三体》

Claude Sonnet 系列的视觉模型 · 按发布时间

共 10 个 · 这里是相邻的 7 个 · Anthropic的全部模型 →
  1. 2025.05Claude Sonnet 4ECI 141.7
  2. 2025.05Claude Sonnet 4 (latest)未参评
  3. 2025.05Claude Sonnet 4ECI 141.9
  4. 2025.09Claude Sonnet 4.5 (latest)ECI 147.6
  5. 2025.09Claude Sonnet 4.5ECI 147.6
  6. 2026.02Claude Sonnet 4.6ECI 152.9
  7. 2026.06Claude Sonnet 5ECI 156.9

她的房间

编程能力：一台笔记本
电脑
71.3% · SWE-bench Verified · Epoch AI 统一复跑
上下文窗口
书架
3 层 · 记忆 200K tokens
数学与科学推理成绩
黑板
数学与科学推理
知识截止日期
日历
知识停在 2025-07-31
上下文缓存
冰箱
支持上下文缓存，能存记忆
闭源
门禁
闭源，权重不公开

身世

发布日期
2025 年 9 月 29 日models.dev
知识截止
2025-07-31
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
200K tokens
单次最大输出
64K
输入价格
$3.00 / 百万 tokens
输出价格
$15 / 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
147.6
AIME 数学
77.8%
GPQA Diamond 科学
82.3%
ARC-AGI-2 抽象推理
3.8%
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 Verified71.3%
    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
  • SWE-Bench Pro43.6%
    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。第三方实测
    https://labs.scale.com/leaderboard/swe_bench_pro_public
  • Terminal-Bench 2.046.5%
    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://epoch.ai/benchmarks
  • ALE-Bench796
    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
  • AlgoTune1.52×
    给定一段算法实现，让模型把它调得更快。分数是加速倍率（约 1.3–2 倍），不是百分比。考的是性能调优而不是功能实现。第三方实测
    https://epoch.ai/benchmarks
  • GSO12.7%
    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 Arena1391 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
数学
知识与推理
  • HLE 终极考试13.7%第 29 / 62
    Humanity'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82.3%第 96 / 218
    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-23.8%第 91 / 125
    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）63.7%第 69 / 124
    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30.7%第 80 / 112
    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52.6%第 6 / 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
    https://drb.futuresearch.ai
  • CritPt 物理1.1%第 97 / 194
    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
  • WeirdML47.7%第 65 / 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
  • 独立工作时长2.0 小时第 14 / 54
    METR 的时间跨度：模型能可靠独立完成的任务，换成人来做要花多久。单位是时间，越长说明能独立干越大的活。第三方实测
    https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/
  • OSWorld 操作电脑62.9%第 5 / 10
    在真实的电脑桌面上点鼠标敲键盘完成任务，比如改表格、发邮件。考的是能不能替你操作电脑。第三方实测
    https://os-world.github.io/
  • 经营售货机$3,839第 47 / 103
    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
  • 联网搜索竞技场1159 Elo第 39 / 55
    带联网能力的模型回答时效性问题，真人盲选谁查得准、答得实在。第三方实测
  • GDPval 职业任务42.5%第 8 / 21
    OpenAI 出的一组覆盖多个行业的真实职业任务，由专家把模型的产出与人类专业人士的成果盲比。分数是胜率。第三方实测
  • 远程工作指数2.1%第 17 / 24
    Remote Labor Index：从自由职业平台上取的真实外包项目，看模型能独立交付多少。分数普遍很低，说明离「替代远程工作者」还远。第三方实测
  • Cybench 网络安全60.0%第 4 / 20
    夺旗赛（CTF）风格的网络安全题，测攻防能力。第三方实测
长文本
  • 文档理解竞技场1449 Elo第 25 / 50
    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
  • 看图猜地点60.0%第 38 / 49
    GeoBench：给一张街景照片猜出在哪个国家。测的是视觉细节与地理知识。第三方实测
  • 视觉物理预测39.8%第 23 / 38
    VPCT：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
其他