MODEL BOARD
最新模型排名
Model Board
两半数据分开看:能力基准是人工核对后手填的,型号、上下文和价格由程序每小时从公开接口取一次。
能力基准
SWE-bench Verified
真实软件工程任务的解决率
GPT-5.6 Sol
OpenAI
96.2
Claude Opus 5
Anthropic
96.0*
Claude Fable 5
Anthropic
95.0
Kimi K3
Moonshot
93.4
GPT-5.6 Luna
OpenAI
93.0
Claude Opus 4.8
Anthropic
88.6
Grok 4.5
xAI
86.6
Gemini 3.1 Pro
Google
80.6*
0255075100
前五名挤在这 4 分里
*OpenAI 自 2026 年 2 月起不再公布 Verified 成绩,部分型号只有更难的 SWE-bench Pro 分数;各榜单的评测脚手架不同,同一模型在不同来源可能差一到两分。
GPQA Diamond
研究生级科学推理
Gemini 3.1 Pro Preview
Google
94.1
GPT-5.6 Sol
OpenAI
94.1
GPT-5.5
OpenAI
93.5
0255075100
前三名相差不到 1 分
题库只有 198 道,几分的差距可能只是几道题。另有来源把其他模型列在更高位置 —— 评测方法与时点不同,结论就不同。
两张图都从 0 起,没有截断坐标轴 —— 柱子看起来差不多,是因为这两个基准确实已经接近饱和。真正拉开差距的评测正在往更难的题目上转。数据截至 2026 年 8 月,各家口径不一,以官方公布为准。
正在取最新数据…
型号、上下文与价格来自 OpenRouter的公开接口,每小时回源一次。这是官方接口,不是抓取网页。能力基准为人工维护,截至 2026 年 8 月。