聪明世界#6
编程中等自报
记性1M
便宜$10
记性换算成体感：一次能读完《哈利·波特》全七部
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 →她的房间
电脑
没有公开的编程评测成绩
书架
5 层 · 记忆 1M tokens
黑板
数学与科学推理
日历
知识停在 2026-06
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 28 日models.dev
- 知识截止
- 2026-06
- 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
- 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
- 166.2
- AIME 数学
- 100.0%
- GPQA Diamond 科学
- 95.6%
- ARC-AGI-2 抽象推理
- 未参评
- 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）
- Terminal-Bench70.6%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https://www.anthropic.com/claude-sonnet-5-5
- CursorBench55.5%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
- FrontierCode52.1%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
- LiveBench 2.0 编程94.8%LiveBench 2.0 的编程分项：不是做题，而是接 API、写 Agent 循环、接云基础设施、做计费与限额这类真活儿。2.0 换了评测方式（长程任务、产物评审），与旧版 LiveBench 编程分不是同一把尺子，分数不可直接比较。第三方实测https://livebench.ai/?release=20261014
- ALE-Bench1819AtCoder 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 Arena1786 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166.2第 6 / 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
- LiveBench 2.0 综合82.7%第 7 / 48LiveBench 2.0 七个长程任务分类的等权均分——这个总分由本站计算，上游并不发布。第三方实测https://livebench.ai/?release=20261014
数学
- FrontierMath88.8%第 7 / 112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80.5%第 8 / 84FrontierMath 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 / 211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
- ProofBench100.0%第 1 / 96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
- HLE 终极考试46.1%第 4 / 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95.6%第 3 / 214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
- 带引用的研究84.4%第 11 / 48监管、法律、财税、科研五类检索与研判任务，答案要带得住核验的出处。第三方实测https://livebench.ai/?release=20261014
- 数据分析59.5%第 42 / 48从表格里认事件、连表、把一种格式转成另一种格式。第三方实测https://livebench.ai/?release=20261014
- SimpleQA 事实问答46.5%第 41 / 108一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https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
- CritPt 物理31.4%第 5 / 180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
- 长程任务76.9%第 4 / 48跑几个月的运维、财务合规、电商运营这类长线任务，看模型能不能一直把事做对。第三方实测https://livebench.ai/?release=20261014
- 浏览器操作84.3%第 14 / 48在真实网页里点选、翻页、汇总信息，考验 agent 是不是真的会用浏览器。第三方实测https://livebench.ai/?release=20261014
- 经营售货机$11,165第 5 / 100Vending-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75.5%第 2 / 64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
- BlueprintBench39.3%第 5 / 38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59.0%第 9 / 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
- 推理谜题91.6%第 7 / 48心理理论、斑马谜题、空间推理这类不靠背题的死磕题。第三方实测https://livebench.ai/?release=20261014
- 推理游戏谜题65.0%第 4 / 104Epoch 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
写作
- 文档与排版87.0%第 2 / 48产出 Word 文档、PDF、PPT 三类成品，看内容组织与版式。第三方实测https://livebench.ai/?release=20261014
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 Erdos2.9%第 4 / 13Epoch AI 收录的评测，暂无中文说明。第三方实测
- Furniture Assembly75.0%第 4 / 40Epoch AI 收录的评测，暂无中文说明。第三方实测
- Lmca68.3%第 1 / 206Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
- Spireclimb1.3%第 6 / 7Epoch AI 收录的评测，暂无中文说明。第三方实测
- Spireclimb Sts1 A20 Heart0.0%第 4 / 7Epoch AI 收录的评测，暂无中文说明。第三方实测
- Spireclimb Sts2 A102.7%第 6 / 7Epoch AI 收录的评测，暂无中文说明。第三方实测
- Weirdml V337.0%第 6 / 29Epoch AI 收录的评测，暂无中文说明。第三方实测https://htihle.github.io/weirdml.html