评分 · AI³ Radar

9 项公开评分可选

9 项公开评测更新至 2026/10/28

LMArena Text

让用户匿名比较两个模型的回答并投票，衡量真实用户更偏好哪个模型。

最新评分：2026/10/28 · 22 个品牌

横向滑动查看全部 22 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/10/28	Claude	Claude Opus 5.5 · High	1509
2026/10/28	Gemini	Gemini 3.8 Flash · High	1496
2026/10/28	Muse	Muse Spark 1.2 · XHigh	1492
2026/10/28	Kimi	Kimi K3 · Max	1488
2026/10/28	GPT	GPT-5.6 Sol · XHigh	1485
2026/10/28	Qwen	Qwen 3.8 Max	1482
2026/10/28	GLM	GLM-5.3 · Max	1481
2026/10/28	Grok	Grok 4.20 Beta 1	1475
2026/10/28	ERNIE	ERNIE 5.1	1467
2026/10/28	MiMo	MiMo-V2.5-Pro	1467
2026/10/28	DeepSeek	DeepSeek V4 Pro	1458
2026/10/28	MiniMax	MiniMax M3	1439
2026/10/28	Mistral	Mistral Large 3	1414
2026/10/28	Step	Step 3.5 Flash	1393
2026/10/28	o-series	o1-preview	1389
2026/10/15	Hunyuan	Hunyuan T1	1387
2026/10/28	Llama	Llama 3.3 70B Instruct	1318
2026/10/15	Athene	Athene 70B	1307
2026/10/15	Reka	Reka Core	1288
2026/10/15	OLMo	OLMo 2 32B Instruct	1252
2026/10/15	OpenChat	OpenChat 3.5	1183
2026/10/28	Phi	Phi-3 Mini 4K Instruct	1128

LiveBench Agentic Coding

通过需要自主规划和执行的编程任务，衡量模型独立解决代码问题的能力。

最新评分：2026/6/25 · 10 个品牌

横向滑动查看全部 10 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/6/25	Qwen	Qwen 3.8 Max	64.65%
2026/6/25	Kimi	Kimi K3	62.17%
2026/6/25	GLM	GLM-5.3	60.91%
2026/6/25	Muse	Muse Spark 1.1 · XHigh	58.54%
2026/6/25	Gemini	Gemini 3.7 Flash · High	58.28%
2026/6/25	Grok	Grok 4.6	57.02%
2026/6/25	GPT	GPT-5.6 Sol · Max	56.21%
2026/6/25	DeepSeek	DeepSeek V4 Pro	54.95%
2026/1/8	Claude	Claude Sonnet 4.5 · Thinking 64K	53.33%
2026/6/25	MiniMax	MiniMax M3	40.66%

τ³ Banking Knowledge

通过银行客服中的知识检索、长对话和工具调用，衡量智能体完成真实业务请求的能力。

最新评分：2026/8/3 · 8 个品牌

横向滑动查看全部 8 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/8/3	Qwen	Qwen 3.8 Max · XHigh	55.15%
2026/8/3	Claude	Claude Opus 5 · Max	48.71%
2026/7/24	Grok	Grok 4.5 · High	47.94%
2026/7/22	GPT	GPT-5.6 Sol · XHigh	46.91%
2026/7/23	Muse	Muse Spark 1.1 · XHigh	40.46%
2026/7/24	GLM	GLM-5.2 · XHigh	37.11%
2026/7/24	Kimi	Kimi K3 · Max	37.11%
2026/5/5	Gemini	Gemini 3.1 Pro Preview · High	26.03%

GPQA-Diamond

通过博士专家编写的生物、物理和化学难题，衡量模型的高阶科学知识与推理能力。

最新评分：2026/10/19 · 13 个品牌

横向滑动查看全部 13 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/8/30	GPT	GPT-6 Astra · Max	95.77%
2026/9/2	Gemini	Gemini 3.8 Flash · High	95.39%
2026/10/19	DeepSeek	DeepSeek V4.1 Flash 1017 · Max	93.18%
2026/8/14	Grok	Grok 4.6 · XHigh	93.18%
2026/8/7	Kimi	Kimi K3 · High	91.92%
2026/8/24	GLM	GLM-5.3 · Max	90.91%
2026/8/10	MiniMax	MiniMax M3	90.91%
2026/8/7	Qwen	Qwen 3.7 Max	90.91%
2026/4/8	Muse	Muse Spark	89.8%
2026/10/9	Claude	Claude Haiku 5.5 · Max	89.65%
2026/8/14	Inkling	Inkling Small · XHigh	88.51%
2026/8/10	Nemotron	Nemotron 3 Ultra	85.35%
2026/8/7	o-series	o3 · Medium	80.81%

OTIS Mock AIME 2024-2025

通过高难度竞赛数学题，衡量模型的数学推理与解题能力。

最新评分：2026/10/19 · 13 个品牌

横向滑动查看全部 13 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/8/30	GPT	GPT-6 Astra · Max	100%
2026/10/19	DeepSeek	DeepSeek V4.1 Flash 1017 · Max	99.44%
2026/8/14	Grok	Grok 4.6 · XHigh	99.17%
2026/10/7	Claude	Claude Haiku 5.5 · XHigh	98.89%
2026/9/2	Gemini	Gemini 3.8 Flash · High	98.89%
2026/8/7	Kimi	Kimi K2.7 Code	95.56%
2026/8/7	Qwen	Qwen 3.7 Max	95.56%
2026/8/24	GLM	GLM-5.3 · Max	91.11%
2026/8/14	Inkling	Inkling Small · XHigh	90%
2026/4/8	Muse	Muse Spark	88.9%
2026/8/10	Nemotron	Nemotron 3 Ultra	86.67%
2026/8/7	o-series	o3 · Medium	84.44%
2026/8/10	MiniMax	MiniMax M3	71.11%

AIME 2025 · OpenCompass

通过高难度竞赛数学题，衡量模型的数学推理与解题能力。

最新评分：2026/3/9 · 8 个品牌

横向滑动查看全部 8 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/3/9	GLM	GLM-5	95.8%
2026/3/9	Step	Step 3.5 Flash	95.7%
2026/3/9	GPT	GPT-5 · High	94.1%
2026/3/9	Gemini	Gemini 3 Pro Preview	93.4%
2026/3/9	Kimi	Kimi K2.5	91.9%
2026/3/9	o-series	o4-mini · High	91%
2026/3/9	DeepSeek	DeepSeek R1	89%
2026/3/9	Claude	Claude Sonnet 4 · Thinking	68.7%

SWE-bench Verified

通过真实开源项目的 GitHub 问题和测试，衡量模型理解代码仓库并正确修复问题的能力。

最新评分：2026/6/25 · 8 个品牌

横向滑动查看全部 8 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/4/20	Claude	Claude Opus 4.7 · Max	83.47%
2026/4/24	GPT	GPT-5.5 Pre-release · XHigh	80.58%
2026/6/1	Gemini	Gemini 3.5 Flash · High	79.34%
2026/6/25	GLM	GLM-5.2 · Max	78.7%
2026/6/18	DeepSeek	DeepSeek V4 Pro · Max	77.64%
2026/6/18	Qwen	Qwen 3.7 Max	77.27%
2026/5/8	Kimi	Kimi K2.6	76.65%
2026/2/12	o-series	o3 · Medium	62.32%

LiveCodeBench V6 · OpenCompass

通过持续收集的新竞赛编程题，衡量模型生成可通过测试代码的能力，同时降低训练数据污染。

最新评分：2026/3/9 · 8 个品牌

横向滑动查看全部 8 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/3/9	GLM	GLM-5	86.2%
2026/3/9	Step	Step 3.5 Flash	83.9%
2026/3/9	GPT	GPT-5 · High	83.2%
2026/3/9	Gemini	Gemini 3 Pro Preview	82.9%
2026/3/9	Kimi	Kimi K2.5	80.6%
2026/3/9	o-series	o3	72.7%
2026/3/9	DeepSeek	DeepSeek R1	61%
2026/3/9	Claude	Claude Sonnet 4 · Thinking	47.5%

Terminal-Bench 2.1

通过真实终端环境中的软件、系统和数据任务，衡量智能体独立操作计算机的能力。

最新评分：2026/7/11 · 6 个品牌

横向滑动查看全部 6 个品牌。

查看图表数据

日期	品牌	模型 / 评测配置	原始分
2026/7/9	Grok	Grok 4.5 · Cursor CLI · High	79.33%
2026/7/9	Claude	Claude Opus 4.8 · Claude Code · High	78.88%
2026/7/11	GPT	GPT-5.6 Terra · Codex · Max	78.43%
2026/7/9	Muse	Muse Spark 1.1 · mini-SWE-agent · XHigh	76.18%
2026/5/5	Gemini	Gemini 3.1 Pro Preview · Gemini CLI · High	65.84%
2026/5/1	GLM	GLM-5.1 · Claude Code · Max	58.65%