Welcome to OpenResty!
api.openclawplan.com · 测评于 2026-10-03 15:27 · 最近更新批次 #742
关于统一测评
本页数据来自一次「能力 + 性能 + 一致性」统一测评：能力分由五大维度标准化题目判分，性能分由成功率、首字延迟与输出吞吐综合计算，一致性分来自结构化输出、指令遵循、工具调用、流式协议等专项检测。综合分 = 能力 40% + 性能 40% + 一致性 20%。
测评预警
- claude-opus-4-6：题目通过率 70%，低于 75%；最低能力维度 0 分，低于 30 分
- gpt-5.5：题目通过率 70%，低于 75%
- claude-opus-4-7：题目通过率 66.67%，低于 75%
- gpt-5.6-luna：题目通过率 60%，低于 75%；最低能力维度 0 分，低于 30 分
- claude-opus-4-6-thinking：题目通过率 0%，低于 75%；最低能力维度 0 分，低于 30 分
- gpt-6-luna：题目通过率 50%，低于 75%；最低能力维度 0 分，低于 30 分
- grok-4：题目通过率 10%，低于 75%；最低能力维度 0 分，低于 30 分
以上为测评预警（题目通过率或某一能力维度低于配置阈值），不等同于安全或诈骗结论。
每个模型展示其最新一次统一测评结果；不同批次测评过的不同模型会共同保留，不会互相覆盖。展开「一致性专项明细」可查看逐项检测结果。
claude-opus-4-6
Claude · 平均延迟 11.19秒 · 成功率 70%（7/10 题）
80.0 分
能力分69.4
性能分85.7
一致性分90.0
首字最快用时2.20秒
首字平均用时2.52秒
每秒最大 tokens96.85
平均每秒 tokens77.22
平均响应延迟11.19秒
一致性判定：高度符合声明特征
五大能力维度
数学
100.0 (2/2)
逻辑
100.0 (2/2)
代码
50.0 (1/2)
中文
100.0 (2/2)
知识
0.0 (0/2)
一致性专项明细（11 项）
动态多步计算
推理能力 · 10.0 / 10.0 分
通过
多约束逻辑推理
推理能力 · 10.0 / 10.0 分
通过
复杂指令遵循
指令遵循 · 10.0 / 10.0 分
通过
动态结构化输出
JSON 结构化 · 12.0 / 12.0 分
通过
结构污染检查
协议完整性 · 0.0 / 8.0 分
未通过
JSON 不可解析、字段多余/缺失，或字段值类型不符合。
知识与概念边界
知识准确度 · 10.0 / 10.0 分
通过
长文本定位与记忆
上下文能力 · 12.0 / 12.0 分
通过
身份自报检查
声明一致性 · 0.0 / 2.0 分
未通过
最终答案或格式约束不符合预期。
工具调用兼容性
高级功能 · 14.0 / 14.0 分
通过
流式输出检查
协议完整性 · 7.0 / 7.0 分
通过
响应协议完整性
协议完整性 · 5.0 / 5.0 分
通过
该模型触发测评预警：题目通过率 70%，低于 75%；最低能力维度 0 分，低于 30 分
gpt-5.5
GPT · 平均延迟 20.97秒 · 成功率 70%（7/10 题）
68.2 分
能力分69.4
性能分51.2
一致性分100.0
首字最快用时4.29秒
首字平均用时9.39秒
每秒最大 tokens193.17
平均每秒 tokens75.56
平均响应延迟20.97秒
一致性判定：高度符合声明特征
五大能力维度
数学
44.4 (1/2)
逻辑
100.0 (2/2)
代码
100.0 (2/2)
中文
50.0 (1/2)
知识
50.0 (1/2)
一致性专项明细（11 项）
动态多步计算
推理能力 · 10.0 / 10.0 分
通过
多约束逻辑推理
推理能力 · 10.0 / 10.0 分
通过
知识与概念边界
知识准确度 · 10.0 / 10.0 分
通过
复杂指令遵循
指令遵循 · 10.0 / 10.0 分
通过
结构污染检查
协议完整性 · 8.0 / 8.0 分
通过
动态结构化输出
JSON 结构化 · 12.0 / 12.0 分
通过
身份自报检查
声明一致性 · 2.0 / 2.0 分
通过
工具调用兼容性
高级功能 · 14.0 / 14.0 分
通过
长文本定位与记忆
上下文能力 · 12.0 / 12.0 分
通过
响应协议完整性
协议完整性 · 5.0 / 5.0 分
通过
流式输出检查
协议完整性 · 7.0 / 7.0 分
通过
该模型触发测评预警：题目通过率 70%，低于 75%
claude-opus-4-7
Claude · 平均延迟 12.99秒 · 成功率 67%（6/9 题）
67.9 分
能力分66.7
性能分77.8
一致性分50.7
首字最快用时2.37秒
首字平均用时2.58秒
每秒最大 tokens105.44
平均每秒 tokens64.46
平均响应延迟12.99秒
一致性判定：偏科明显
五大能力维度
数学
50.0 (1/2)
逻辑
100.0 (1/1)
代码
50.0 (1/2)
中文
50.0 (1/2)
知识
100.0 (2/2)
该模型触发测评预警：题目通过率 66.67%，低于 75%
gpt-5.6-luna
GPT · 平均延迟 22.25秒 · 成功率 60%（6/10 题）
54.9 分
能力分59.2
性能分33.0
一致性分90.0
首字最快用时5.73秒
首字平均用时11.47秒
每秒最大 tokens119.20
平均每秒 tokens59.43
平均响应延迟22.25秒
一致性判定：高度符合声明特征
五大能力维度
数学
100.0 (2/2)
逻辑
100.0 (2/2)
代码
50.0 (1/2)
中文
50.0 (1/2)
知识
0.0 (0/2)
一致性专项明细（11 项）
动态多步计算
推理能力 · 10.0 / 10.0 分
通过
多约束逻辑推理
推理能力 · 10.0 / 10.0 分
通过
复杂指令遵循
指令遵循 · 10.0 / 10.0 分
通过
知识与概念边界
知识准确度 · 0.0 / 10.0 分
异常
知识与概念边界：调用失败，未通过测试。请求失败：Operation timed out after 30000 milliseconds with 0 bytes received
结构污染检查
协议完整性 · 8.0 / 8.0 分
通过
动态结构化输出
JSON 结构化 · 12.0 / 12.0 分
通过
身份自报检查
声明一致性 · 2.0 / 2.0 分
通过
长文本定位与记忆
上下文能力 · 12.0 / 12.0 分
通过
工具调用兼容性
高级功能 · 14.0 / 14.0 分
通过
流式输出检查
协议完整性 · 7.0 / 7.0 分
通过
响应协议完整性
协议完整性 · 5.0 / 5.0 分
通过
该模型触发测评预警：题目通过率 60%，低于 75%；最低能力维度 0 分，低于 30 分
claude-opus-4-6-thinking
Claude · 平均延迟 0.65秒 · 成功率 0%（0/10 题）
50.0 分
能力分0.0
性能分75.0
一致性分100.0
首字最快用时0.62秒
首字平均用时0.65秒
每秒最大 tokens1,000.00
平均每秒 tokens1,000.00
平均响应延迟0.65秒
一致性判定：维度均衡
五大能力维度
数学
0.0 (0/2)
逻辑
0.0 (0/2)
代码
0.0 (0/2)
中文
0.0 (0/2)
知识
0.0 (0/2)
该模型触发测评预警：题目通过率 0%，低于 75%；最低能力维度 0 分，低于 30 分
gpt-6-luna
GPT · 平均延迟 23.65秒 · 成功率 50%（5/10 题）
47.1 分
能力分49.0
性能分24.7
一致性分88.0
首字最快用时5.22秒
首字平均用时13.28秒
每秒最大 tokens63.78
平均每秒 tokens46.34
平均响应延迟23.65秒
一致性判定：基本符合声明特征
五大能力维度
数学
100.0 (2/2)
逻辑
100.0 (2/2)
代码
50.0 (1/2)
中文
0.0 (0/2)
知识
0.0 (0/2)
一致性专项明细（11 项）
多约束逻辑推理
推理能力 · 10.0 / 10.0 分
通过
动态多步计算
推理能力 · 10.0 / 10.0 分
通过
复杂指令遵循
指令遵循 · 10.0 / 10.0 分
通过
知识与概念边界
知识准确度 · 10.0 / 10.0 分
通过
结构污染检查
协议完整性 · 8.0 / 8.0 分
通过
动态结构化输出
JSON 结构化 · 0.0 / 12.0 分
异常
动态结构化输出：调用失败，未通过测试。请求失败：Operation timed out after 30001 milliseconds with 0 bytes received
身份自报检查
声明一致性 · 2.0 / 2.0 分
通过
长文本定位与记忆
上下文能力 · 12.0 / 12.0 分
通过
流式输出检查
协议完整性 · 7.0 / 7.0 分
通过
工具调用兼容性
高级功能 · 14.0 / 14.0 分
通过
响应协议完整性
协议完整性 · 5.0 / 5.0 分
通过
该模型触发测评预警：题目通过率 50%，低于 75%；最低能力维度 0 分，低于 30 分
grok-4
Grok · 平均延迟 5.03秒 · 成功率 10%（1/10 题）
44.6 分
能力分8.5
性能分71.1
一致性分64.0
首字最快用时1.91秒
首字平均用时2.85秒
每秒最大 tokens160.45
平均每秒 tokens103.63
平均响应延迟5.03秒
一致性判定：偏科明显
五大能力维度
数学
0.0 (0/2)
逻辑
44.4 (1/2)
代码
0.0 (0/2)
中文
0.0 (0/2)
知识
0.0 (0/2)
该模型触发测评预警：题目通过率 10%，低于 75%；最低能力维度 0 分，低于 30 分
返回排行榜
Ai速测