排行榜

能力评测站内热度

外部权威评测，保留原始分数与来源

综合编程 Agent 与工具推理与知识写作与对话语言行业视觉图像视频

高等数学研究生科学事实准确性

事实准确性SimpleQA Verified：简短事实问答，衡量回答是否准确、少幻觉。

第 1 名

Gemini 4 ArgonHighGoogle

SimpleQA Verified

76%±2.65

领先第 2 名

+0.40统计并列

来源

事实准确性排名85

model= /

第一梯队7 个模型与第 1 名在 95% 置信区间内无显著差异，名次先后不代表确定的强弱。

名次模型思考强度SimpleQA Verified· 95% 区间

01

Gemini 4 Argon

gemini-4-argon_high

思考强度：High

76%

02

GPT 6 Astra

gpt-6-astra_max

思考强度：Max

75.60%

03

GPT 6.1 Sol

gpt-6.1-sol_max

思考强度：Max

73.90%

04

Gemini 3.1 Pro Preview

gemini-3.1-pro-preview_high

思考强度：High

73.50%

05

Claude Opus 5.5

claude-opus-5-5_max

思考强度：Max

72.20%

06

Claude Fable 5.1

claude-fable-5-1_max

思考强度：Max

70.80%

07

Claude Fable 5

claude-fable-5_xhigh

思考强度：XHigh

70.70%

08

GPT 5.6 Sol

gpt-5.6-sol_max

思考强度：Max

69.70%

08

Gemini 3.8 Flash

gemini-3.8-flash_high

思考强度：High

69.70%

10

Gemini 3.7 Flash

gemini-3.7-flash_high

思考强度：High

69.20%

11

Gemini 3 Flash Preview

gemini-3-flash-preview_high

思考强度：High

66.80%

12

Gemini 3.6 Flash

gemini-3.6-flash_high

思考强度：High

66.20%

12

Gemini 3.5 Flash

gemini-3.5-flash_high

思考强度：High

66.20%

14

GPT 5.5

gpt-5.5_xhigh

思考强度：XHigh

63%

15

GPT 6 Sol

gpt-6-sol_max

思考强度：Max

60.70%

16

Claude Opus 5

claude-opus-5_max

思考强度：Max

59.90%

17

Grok 4.7

grok-4.7_xhigh

思考强度：XHigh

56.00%

18

Qwen 3.7 Max

qwen3.7-max

思考强度：—

55.77%

19

Claude Opus 4.8

claude-opus-4-8_max

思考强度：Max

53%

20

DeepSeek V4 Pro 0813

deepseek-v4-pro-0813_max

思考强度：Max

52.91%

有 7 天前的可比快照后显示周变化。