正在读取模型档案与评测数据…
正在读取模型档案与评测数据…
Anthropic·1 个数据来源·更新于 2026-09-26
只在同一来源、同一口径下比较。切换来源可查看不同测试结果。
当前配置：各基准设置见下表
综合分数和同榜图表来自 LLM Stats 榜单（采集于 2026-09-25）；下方逐项成绩来自模型页。榜单出处
LLM Stats Score · 同一来源与榜单口径，分数越高越好
| 模型与配置 | LLM Stats Score | 每任务成本 |
|---|---|---|
| Claude Opus 5 | 54.8 | 未公布 |
| Claude Fable 5.1 | 54.5 | 未公布 |
| GPT-5.6 Sol | 54.4 | 未公布 |
| Claude Mythos Preview · 当前模型 | 54.3 | 未公布 |
| Claude Fable 5 | 54 | 未公布 |
| Muse Spark 1.3 | 53.8 | 未公布 |
| Kimi K3 | 52.5 | 未公布 |
不同来源的分数不能直接相加或横向比较；评测任务成本不是 API Token 单价。
16 项已收录成绩 · 保留原始单位和测试条件
CharXiv Reasoning with tools. Without tools: 86.1%. Opus 4.6: 78.9% (with tools), 61.5% (without tools).
成绩出处With tools. Without tools: 56.8%. Anthropic notes Mythos may show some level of memorization at low effort.
成绩出处Memorization screens flag a subset of problems. Excluding flagged problems, Mythos Preview's margin over Opus 4.6 holds.
成绩出处Internal implementation. Scores not directly comparable to public leaderboard scores. Opus 4.6: 27.1% on same implementation.
成绩出处Memorization screens flag a subset of problems. Excluding flagged problems, Mythos Preview's margin over Opus 4.6 holds.
成绩出处Memorization screens flag a subset of problems. Excluding flagged problems, Mythos Preview's margin over Opus 4.6 holds.
成绩出处Terminus-2 harness with adaptive thinking at maximum effort, 1M token total task budget. 1× guaranteed / 3× ceiling resource allocation, averaged over 5 attempts per task. 92.1% with 4-hour timeout limits and Terminal-Bench 2.1 updates.
成绩出处USAMO 2026 math proofs. Opus 4.6: 42.3%, GPT-5.4: 95.2%, Gemini 3.1 Pro: 74.4%.
成绩出处只展示有可靠来源的资料；优先采用厂商官网与官方模型仓库。
美元 / 百万 Token。不同服务商或测试配置的报价分别列出。
同名模型通过开发机构和明确版本关联。预览版、日期版本和不同规模模型分别建档。
公开模型页与公开榜单；自报成绩单独标识
