聪明世界#13
编程顶尖
记性1.0M
便宜$3.8
记性换算成体感：一次能读完《哈利·波特》全七部
Gemini 系列的全模态模型 · 按发布时间
共 19 个 · 这里是相邻的 7 个 · 谷歌的全部模型 →她的房间
电脑
没有公开的编程评测成绩
书架
5 层 · 记忆 1.0M tokens
黑板
数学与科学推理
日历
知识截止日期未公开
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 2 日models.dev
- 知识截止
- 暂无数据
- 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
- 1.0M tokens
- 单次最大输出
- 66K
- 输入价格
- $0.75 / 百万 tokens
- 输出价格
- $3.75 / 百万 tokens
- 模型类型
- 全模态能听声音、也能看图，文字、图、声音一起理解
- 支持的输入
- 声音、图像、文件、文字、视频 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 157.1
- AIME 数学
- 98.9%
- GPQA Diamond 科学
- 95.4%
- 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）
- DeepSWE73.8%SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测https://deepswe.datacurve.ai/
- Terminal-Bench89.4%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://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/
- CursorBench39.6%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
- LiveBench 智能体编程54.2%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
- FrontierCode41.2%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 编程分项72.5%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
- ALE-Bench1270AtCoder 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 Arena1568 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157.1第 13 / 210Epoch Capabilities Index，把十几项学术评测归并成一个总分。想知道「谁最强」，先看这一栏。第三方实测https://epoch.ai/benchmarks
数学
- FrontierMath68.4%第 23 / 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21.9%第 40 / 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98.9%第 14 / 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
- ProofBench48.0%第 29 / 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44.5%第 4 / 60Humanity'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95.4%第 3 / 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
- SimpleQA 事实问答69.7%第 6 / 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18.3%第 23 / 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
- 经营售货机$5,094第 25 / 91Vending-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64.3%第 8 / 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
- BlueprintBench38.6%第 3 / 31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
- Surface Evolver76.9%第 7 / 32用一款专业的曲面数值软件完成计算任务，考的是驾驭陌生专业工具的能力。第三方实测https://yhenon.github.io/surface-evolver-llm-eval/
游戏与谜题
- 国际象棋残局61.0%第 4 / 157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
- 推理游戏谜题47.0%第 9 / 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
其他
- Dtbench95.7%第 15 / 206Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Furniture Assembly31.7%第 21 / 33Epoch AI 收录的评测，暂无中文说明。第三方实测
- Lmca52.9%第 16 / 191Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
- Weirdml V37.4%第 7 / 12Epoch AI 收录的评测，暂无中文说明。第三方实测https://htihle.github.io/weirdml.html