聪明暂无
编程偏弱自报
记性1M
便宜$20
记性换算成体感：一次能读完《哈利·波特》全七部
Claude Opus 系列的视觉模型 · 按发布时间
共 12 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 22 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
- $4.00 / 百万 tokens
- 输出价格
- $20 / 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
- 未参评
- AIME 数学
- 100.0%
- GPQA Diamond 科学
- 90.6%
- ARC-AGI-2 抽象推理
- 92.5%
- 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-Bench 4.066.4%Terminal-Bench 的第四代题库，在真实终端里完成多步骤的专业任务。与其他代次的分数不可直接比较。厂商自报https://www.anthropic.com/claude-opus-5-5
- Terminal-Bench66.4%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-opus-5-5
- CursorBench57.8%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
- CursorBench57.8%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。厂商自报https://www.anthropic.com/claude-opus-5-5
- LiveBench 智能体编程71.7%LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测https://livebench.ai/#/?release=2026-06-25
- FrontierCode54.4%Cognition 出的高难度代码题集，面向前沿模型。厂商自报https://www.anthropic.com/claude-opus-5-5
- LiveBench 编程分项89.3%LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测https://livebench.ai/#/?release=2026-06-25
- MirrorCode77.4%Epoch AI 自测的一项代码评测。第三方实测https://epoch.ai/benchmarks
- WebDev Arena1820 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。
数学
- FrontierMath91.2%第 2 / 102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95.0%第 2 / 74FrontierMath 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 / 194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 / 84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（可用工具）67.7%第 1 / 1Humanity's Last Exam 允许联网搜索、跑代码的测法，分数会比闭卷高一截，不能和闭卷那一栏放在一起比。厂商自报https://www.anthropic.com/claude-opus-5-5
- GPQA 科学90.6%第 38 / 199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-292.5%第 2 / 109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）97.5%第 4 / 108ARC-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72.2%第 3 / 99一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31.7%第 2 / 169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
- OSWorld 2.0 部分得分81.8%第 1 / 1Anthropic 发布文里的 OSWorld 2.0 口径，完成一部分也给分。和 OpenAI 公布的离线集口径不是一回事，不能放在一起比。厂商自报https://www.anthropic.com/claude-opus-5-5
- AutomationBench40.0%第 1 / 2Zapier 出的业务流程测试：用 47 个工具跑完销售、市场、客服、财务里的端到端流程。考的是能不能替你把一整套办公流程跑通。第三方实测https://zapier.com/benchmarks
- Terminal-Bench 科研版58.7%第 1 / 1Terminal-Bench 的科研分支：在终端里独立完成科学研究类任务。厂商自报https://www.anthropic.com/claude-opus-5-5
- APEX 专业任务73.5%第 2 / 37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
多模态
- Chartography 读图表89.0%第 1 / 1看懂各种统计图表并回答问题，考的是从图里准确读出数字和趋势。厂商自报https://www.anthropic.com/claude-opus-5-5
游戏与谜题
- 推理游戏谜题71.0%第 2 / 94Epoch 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
- EBR-bench71.4%第 2 / 29Epoch 自建的一项评测，具体口径以 Epoch 榜单页说明为准。第三方实测https://epoch.ai/benchmarks
其他
- Dtbench98.9%第 1 / 206Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Furniture Assembly83.3%第 1 / 33Epoch AI 收录的评测，暂无中文说明。第三方实测
- Lmca68.2%第 1 / 191Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
- Weirdml V331.2%第 2 / 12Epoch AI 收录的评测，暂无中文说明。第三方实测https://htihle.github.io/weirdml.html