如何看这张表
- 越靠上评价越高，像“第 1〜2 名”这样以范围显示的模型之间的差在误差范围内。
- 评价是完成共同任务的次数比例 (%)。
- 差 3 就是 100 次中差 3 次，± 是重新测量时会变动的幅度。
- 价格是每 100 万 token 的参考，依次为让它读的部分、让它写的部分。
- 长度是一次能让它读的文本量 (token)。
第 1 名的误差幅度
| 排名 | 模型 | 开发方 | 成功率 (%) | 评测日期 | 输入 $ /100 万 | 输出 $ /100 万 | 一次能读的 长度 | 支持 | 权重 | 发布日期 | 价格与规格 |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1〜4 | Claude Opus 5.5 | Anthropic | 评价 77.4 ±16.3 | $4 | $20 | 1M | Anthropic 发布 2026-09 价格 $4 / $20 长度 1M | ||||
| 1〜5 | Claude Fable 5.1 | Anthropic | 评价 73.3 ±18.0 | $10 | $50 | 1M | Anthropic 发布 2026-09 价格 $10 / $50 长度 1M | ||||
| 1〜5 | Claude Fable 5 | Anthropic | 评价 63.9 ±20.4 | $10 | $50 | 1M | Anthropic 发布 2026-06 价格 $10 / $50 长度 1M | ||||
| 1〜6 | Gemini 4 Argon | 评价 58.9 ±23.0 | $2 | $10 | 1.05M | Google 发布 2026-09 价格 $2 / $10 长度 1.05M | |||||
| 2〜7 | GPT-6 Astra | OpenAI | 评价 46.7 ±23.2 | $10 | $50 | 1.05M | OpenAI 发布 2026-09 价格 $10 / $50 长度 1.05M | ||||
| 4〜9 | Claude Opus 4.7 | Anthropic | 评价 31.1 ±17.7 | $5 | $25 | 1M | Anthropic 发布 2026-04 价格 $5 / $25 长度 1M | ||||
| 5〜10 | GPT-5.6 Sol | OpenAI | 评价 20.0 ±18.1 | $4 | $20 | 1.05M | OpenAI 发布 2026-07 价格 $4 / $20 长度 1.05M | ||||
| 6〜10 | GPT-5.4 | OpenAI | 评价 15.6 ±15.1 | $2.5 | $15 | 1.05M | OpenAI 发布 2026-03 价格 $2.5 / $15 长度 1.05M | ||||
| 6〜10 | GPT-5.5 | OpenAI | 评价 10.0 ±11.8 | $5 | $30 | 1.05M | OpenAI 发布 2026-04 价格 $5 / $30 长度 1.05M | ||||
| 7〜10 | Gemini 3.1 Pro (preview) | 评价 8.9 ±8.9 | $2 | $12 | 1.05M | Google 发布 2026-02 价格 $2 / $12 长度 1.05M |
最高成功率的变化
2026-02-19发布日期2026-09-30
如何阅读本页
- 按重写后程序的输出 (包括未公开的测试) 是否与原程序完全一致来评分，数值为通过全部测试的任务所占的比例。
- 成功率是成功次数的比例。差 1 个百分点相当于 100 次中的 1 次。
- 支持一栏的图标从左起依次为：能使用工具 / 能读图片 / 能以固定格式 (JSON) 回答 (浅色标记为不支持或不明)。
- 开放权重是指模型的内容 (权重) 已经公开、在自己的电脑或服务器上也能运行的模型。没有开放权重标记的模型，一般通过开发方的服务 (应用或 API) 使用 (也有没有权重信息的模型)。
- 模型名称旁的 ChatGPT 等，是该开发方面向大众提供的服务名称。该模型能否在那个服务中选用，请在服务一方确认。
数据：Arena / Epoch AI / Swallow LLM team (CC BY 4.0) / Models.dev (MIT)，更新于 2026-10-24，数据来源