01 / 长视野编码
克劳德作品 5.5（最大）
77.4%镜像代码
平均分 · ± 8.3 个百分点 — 标准误差
平均分 · ± 8.3 个百分点 — 标准误差
根据行为和文档重新实现完整的程序。
运行开始： .
使用大量代理预算：每次尝试最多 7 天和 100 亿代币。这不是一个快速的编码辅助测试。
来源和测试条件 ↗AI模型比较/决策台
擅长什么？
选择一个任务。检查证据。比较权衡。
实用模型候选列表从您需要完成的工作开始。
源快照
2026年10月12日
2026年10月12日
01/从任务开始
不同的测试。强度不同。
六个 Epoch AI 基准表中观察到的最高平均值。这些是源结果，而不是 Rubrex 测试或通用获胜者。覆盖范围和评估设置各不相同。
02 / 科学问题
GPT-6 阿斯特拉（最大）
95.8%GPQA 钻石
平均分 ·±1.4pp SE
平均分 ·±1.4pp SE
回答生物、化学和物理方面的多项选择题。
运行开始： .
测量特定问题集。它不会确定您的文件的科学研究能力或准确性。
来源和测试条件 ↗03 / 高等数学
GPT-6 阿斯特拉（最大）
93.7%FrontierMath 第 1-3 级 v2
平均分 ·±1.4pp SE
平均分 ·±1.4pp SE
通过使用 Python 解决专家编写的数学问题。
运行开始： .
这些是具有工具访问权限的 v2 结果。请勿将它们与原始问题集或免工具结果结合起来。
来源和测试条件 ↗04 / 事实问题
GPT-6 阿斯特拉（最大）
75.6%SimpleQA 已验证
平均分 ·±1.4pp SE
平均分 ·±1.4pp SE
回答简短的事实问题，使用 Epoch AI 的比例正确测量进行评分。
运行开始： .
Epoch 鼓励在此设置中进行最佳猜测。这既不是幻觉率，也不是有用弃权或私人文件 RAG 的测试。
来源和测试条件 ↗05 / 远视游戏代理
GPT-6 阿斯特拉（最大）
76.2%EBR 工作台
平均分 ·±8.4pp SE
平均分 ·±8.4pp SE
跟踪 Earthborne Rangers 游戏环境中的进度。
运行开始： .
游戏代理的表现是一个狭窄的信号。它不直接衡量业务工作流程完成情况或工具授权。
来源和测试条件 ↗06 / 存储库问题修复
克劳德作品 4.7（最大）
83.5%SWE-bench 已验证
平均分 ·±1.7ppSE
平均分 ·±1.7ppSE
解决 Epoch AI 评估设置下的软件问题。
运行开始： .
该来源对最新型号的报道有限。代理支架、预算和评估子集可能与其他 SWE 基准排行榜不同。
来源和测试条件 ↗哪种AI模型最好？
在此快照中， 克劳德作品 5.5（最大） 在 MirrorCode 上具有最高观察到的平均值； GPT-6 阿斯特拉（最大） 领先包含的 GPQA 钻石赛。使用下面特定于任务的结果来选择候选人，然后以固定预算在您自己的示例中对其进行测试。
02/探索证据
在同一测试中进行比较。
显示 9 的 9 匹配评估运行。按平均分排序，最高分在前。 ± 是一个以百分点为单位的标准误差（如提供）。
在较小的屏幕上水平滚动表格。
| 型号及设置 | 平均分 | 标准错误 | 运行开始 |
|---|---|---|---|
| 克劳德作品 5.5（最大）人择 | 77.4% | ± 8.3 个百分点 | 2026年9月22日 |
| 克劳德寓言5.1（高）人择 | 73.3% | ±9.2页 | 2026年9月10日 |
| 克劳德寓言5（高）人择 | 63.9% | ±10.4页 | 2026年8月10日 |
| GPT-6 阿斯特拉（高）OpenAI | 46.7% | ± 11.9 个百分点 | 2026年8月30日 |
| 克劳德作品 4.7（高）人择 | 31.1% | ±9.0页 | 2026年8月12日 |
| GPT-5.6 溶胶（高）OpenAI | 20.0% | ±9.2页 | 2026年8月10日 |
| GPT-5.4（高）OpenAI | 15.6% | ±7.7页 | 2026年8月10日 |
| GPT-5.5（高）OpenAI | 10.0% | ±6.0页 | 2026年8月10日 |
| Gemini 3.1 专业版预览谷歌DeepMind | 8.9% | ±4.6页 | 2026年8月10日 |
03 / 建立你的候选名单
两种型号。六个不同的问题。
使用每次测试中观察到的最高平均分数来比较模型家族。确切的设置出现在每个结果下方。这种观点并不平衡推理工作或计算预算。
长视野编码
镜像代码 ↗克劳德作品 5.577.4%克劳德作品 5.5（最大）± 8.3 个百分点 — 标准误差
GPT-6 阿斯特拉46.7%GPT-6 阿斯特拉（高）± 11.9 个百分点 — 标准误差
科学问题
GPQA 钻石 ↗克劳德作品 5.590.6%克劳德作品 5.5（最大）± 1.9 个百分点 — 标准误差
GPT-6 阿斯特拉95.8%GPT-6 阿斯特拉（最大）± 1.4 pp 标准误差
克劳德作品 5.591.2%克劳德作品 5.5（最大）± 1.7 个百分点 — 标准误差
GPT-6 阿斯特拉93.7%GPT-6 阿斯特拉（最大）± 1.4 pp 标准误差
事实问题
SimpleQA 已验证 ↗克劳德作品 5.572.2%克劳德作品 5.5（最大）± 1.4 pp 标准误差
GPT-6 阿斯特拉75.6%GPT-6 阿斯特拉（最大）± 1.4 pp 标准误差
远视游戏代理
EBR 工作台 ↗克劳德作品 5.571.4%克劳德作品 5.5（最大）± 7.1 个百分点 — 标准误差
GPT-6 阿斯特拉76.2%GPT-6 阿斯特拉（最大）± 8.4 pp 标准误差
存储库问题修复
SWE-bench 已验证 ↗克劳德作品 5.5无结果此源快照中缺失
GPT-6 阿斯特拉无结果此源快照中缺失
缺失的分数是未知的，而不是零。更高的均值可能具有重叠的不确定性。这些结果只是入围信号，并不是您工作量优势的证明。
04 / 明确预算
代币的价格是多少？
来自 OpenRouter 公共目录的过时样本。价格为列出的基础层的每百万代币美元。该示例对一个请求使用 10,000 个输入令牌和 2,000 个总计计费输出令牌。
在较小的屏幕上水平滚动表格。
| 型号 | 输入/1M | 输出/1M | 请求示例 |
|---|---|---|---|
| OpenAI：GPT-6 Luna ↗更高上下文的价格等级适用 | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗更高上下文的价格等级适用 | $0.1 | $0.5 | $0.0020 |
| Z.ai：GLM 5.3闪存 ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek：DeepSeek V4.1闪存 ↗更高上下文的价格等级适用 | $0.15 | $0.6 | $0.0027 |
| Z.ai：GLM 5.3 ↗ | $0.079 | $4.8 | $0.0104 |
| Mistral: Mistral Large 4 ↗ | $0.68 | $2.09 | $0.0110 |
| 谷歌：Gemini 3.8 Flash ↗ | $0.75 | $3.75 | $0.0150 |
| StepFun: Step 5 Preview ↗ | $1 | $2.7 | $0.0154 |
| 元：Muse Spark 1.3 ↗ | $1.25 | $4.25 | $0.0210 |
| MoonshotAI：Kimi K3 ↗ | $0.73 | $10 | $0.0273 |
| Qwen：Qwen3.8 Max (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗更高上下文的价格等级适用 | $2 | $6 | $0.0320 |
| OpenAI：GPT-6 Sol ↗更高上下文的价格等级适用 | $2 | $10 | $0.0400 |
| 人择：克劳德十四行诗 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗更高上下文的价格等级适用 | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗更高上下文的价格等级适用 | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google：Gemini 3.1 Pro 预览版 ↗更高上下文的价格等级适用 | $2 | $12 | $0.0440 |
| 人择：克劳德·奥普斯 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI：GPT-6 阿斯特拉 ↗更高上下文的价格等级适用 | $10 | $50 | $0.2000 |
| 人择：克劳德寓言 5.1 ↗ | $10 | $50 | $0.2000 |
这是一个象征性的估计，而不是每个成功任务的成本。额外的推理令牌、重试、工具、搜索、媒体、路由/提供商差异以及更高上下文层可以改变账单。不包括缓存和批量折扣。购买前验证链接的型号列表。
05 / 可追踪的证据
知道数字的含义。
基准分数的一个来源
222 模型系列出现在这六个表中。我们导入 Epoch AI 的内部运行平均分数，保留精确设置，并显示提供的标准误差。我们将分数转换为百分比并对结果进行排序。我们不会将不相关的基准平均化为新的评级。
Epoch AI 数据和归因 ↗新鲜度可见
检索来源 2026年10月12日.这是保存的快照，而不是实时动态。每行中的运行日期可能早于下载日期。新车型在不同时间进入不同测试；缺失结果并不意味着表现不佳。
下载当前源码导出↗上下文改变决定
推理工作、工具、支架和计算预算会影响结果。较小的平均分差距并不是统计显着性检验。在切换模型之前，请在您自己的运行条件下评估任务成功率、尾部延迟、故障严重性和总成本。
阅读模型迁移指南 →速度和偏好需要另一个镜头
这些基准表不测量 API 速度或用户偏好。人工分析提供性能比较； Arena 提供基于偏好的比较。他们的测试回答不同的问题，因此他们的数字不会合并到此表中。
人工分析探索速度 ↗探索竞技场的偏好↗
基准数据： Epoch AI、能力和基准，使用下 CC 4.0.由 Rubrex 选择、重新格式化并转换为百分比。原始基准创建者和方法在每个类别中都有关联。不暗示任何认可。 API价格数据： OpenRouter公共模型目录，于同一日期检索。
在此快照之后源导出可能会更改。我们不发布提供商赞助的排名，也不声称这些分数建立了生产可靠性。
选择之前
一些有用的答案。
为什么某些测试中缺少较新的型号？
独立评估需要时间，每个基准测试涵盖一组不同的模型。我们将缺失的结果留空。我们不会从同一系列的其他型号或发布声明中推断出分数。
最便宜的型号是否提供最好的价值？
仅当它符合您的质量标准时。比较每个成功任务的成本，包括重试和人工审核。较低的代币价格仍然会产生昂贵的工作流程。
这些结果可以为 RAG 或客户支持选择模型吗？
他们可以帮助建立一个候选名单。您仍然需要代表性文档、可回答性案例、引文检查、工具边界和完整应用程序的测试。
构建 RAG 评估 →