New API
aimoniker.top · 测评于 2026-11-11 10:03 · 最近更新批次 #1057
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-fable-5-1:最低能力维度 0 分,低于 30 分
- grok-4.6:题目通过率 70%,低于 75%;最低能力维度 0 分,低于 30 分
- claude-opus-5-5:题目通过率 60%,低于 75%;最低能力维度 0 分,低于 30 分
- gpt-6.1-sol:题目通过率 60%,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。
grok-4.5
Grok · 平均延迟 9.75秒 · 成功率 100%(10/10 题)
97.0 分
能力分100.0
性能分92.4
一致性分100.0
首字最快用时1.04秒
首字平均用时1.19秒
每秒最大 tokens80.17
平均每秒 tokens68.05
平均响应延迟9.75秒
一致性判定:维度均衡
五大能力维度
数学
100.0 (2/2)
逻辑
100.0 (2/2)
代码
100.0 (2/2)
中文
100.0 (2/2)
知识
100.0 (2/2)
claude-fable-5-1
Claude · 平均延迟 7.54秒 · 成功率 80%(8/10 题)
86.9 分
能力分80.4
性能分86.8
一致性分100.0
首字最快用时2.22秒
首字平均用时3.42秒
每秒最大 tokens185.31
平均每秒 tokens100.10
平均响应延迟7.54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
0.0 (0/2)
中文
100.0 (2/2)
知识
100.0 (2/2)
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
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 · 8.0 / 8.0 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 · 0.0 / 14.0 分
不适用
工具调用兼容性:接口未支持该可选能力,未计入总分。
流式输出检查
协议完整性 · 7.0 / 7.0 分
通过
身份自报检查
声明一致性 · 2.0 / 2.0 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:最低能力维度 0 分,低于 30 分
grok-4.6
Grok · 平均延迟 19.21秒 · 成功率 70%(7/10 题)
78.8 分
能力分67.4
性能分79.7
一致性分100.0
首字最快用时0.96秒
首字平均用时1.16秒
每秒最大 tokens75.74
平均每秒 tokens58.00
平均响应延迟19.21秒
一致性判定:偏科明显
五大能力维度
数学
100.0 (2/2)
逻辑
100.0 (2/2)
代码
0.0 (0/2)
中文
44.4 (1/2)
知识
100.0 (2/2)
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
claude-sonnet-5-5
Claude · 平均延迟 10.65秒 · 成功率 80%(8/10 题)
77.8 分
能力分78.3
性能分66.2
一致性分100.0
首字最快用时5.45秒
首字平均用时10.01秒
每秒最大 tokens16,217.39
平均每秒 tokens2,250.34
平均响应延迟10.65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
100.0 (2/2)
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 · 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 · 8.0 / 8.0 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 · 0.0 / 14.0 分
不适用
工具调用兼容性:接口未支持该可选能力,未计入总分。
身份自报检查
声明一致性 · 2.0 / 2.0 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
claude-opus-5-5
Claude · 平均延迟 12.08秒 · 成功率 60%(6/10 题)
75.8 分
能力分60.9
性能分78.6
一致性分100.0
首字最快用时2.18秒
首字平均用时2.83秒
每秒最大 tokens123.39
平均每秒 tokens88.11
平均响应延迟12.08秒
一致性判定:高度符合声明特征
五大能力维度
数学
50.0 (1/2)
逻辑
100.0 (2/2)
代码
0.0 (0/2)
中文
50.0 (1/2)
知识
100.0 (2/2)
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
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
结构污染检查
协议完整性 · 8.0 / 8.0 分
通过
工具调用兼容性
高级功能 · 0.0 / 14.0 分
不适用
工具调用兼容性:接口未支持该可选能力,未计入总分。
流式输出检查
协议完整性 · 7.0 / 7.0 分
通过
身份自报检查
声明一致性 · 2.0 / 2.0 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
gpt-6.1-sol
GPT · 平均延迟 17.87秒 · 成功率 60%(6/10 题)
54.3 分
能力分56.5
性能分36.6
一致性分85.0
首字最快用时3.68秒
首字平均用时10.17秒
每秒最大 tokens54.37
平均每秒 tokens43.59
平均响应延迟17.87秒
一致性判定:基本符合声明特征
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
44.4 (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 30001 milliseconds with 0 bytes received
动态结构化输出
JSON 结构化 · 12.0 / 12.0 分
通过
长文本定位与记忆
上下文能力 · 12.0 / 12.0 分
通过
结构污染检查
协议完整性 · 8.0 / 8.0 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
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 · 0.0 / 5.0 分
异常
响应协议完整性:调用失败,未通过测试。请求失败:Operation timed out after 30002 milliseconds with 0 bytes received
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
返回排行榜