New API
xpeach.codes · 测评于 2026-10-06 23:12 · 最近更新批次 #763
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-5-5：题目通过率 60%，低于 75%
- gemini-3.8-flash：题目通过率 70%，低于 75%；最低能力维度 0 分，低于 30 分
- gemini-3.7-flash：题目通过率 50%，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-5-5
Claude · 平均延迟 10.09秒 · 成功率 60%（6/10 题）
78.1 分
能力分60.9
性能分84.5
一致性分100.0
首字最快用时1.85秒
首字平均用时2.57秒
每秒最大 tokens131.90
平均每秒 tokens84.18
平均响应延迟10.09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
50.0 (1/2)
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
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
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 · 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。
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
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%
gemini-3.8-flash
Gemini · 平均延迟 11.87秒 · 成功率 70%（7/10 题）
70.5 分
能力分67.4
性能分63.9
一致性分90.0
首字最快用时5.30秒
首字平均用时9.94秒
每秒最大 tokens12,000.00
平均每秒 tokens1,599.09
平均响应延迟11.87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
100.0 (2/2)
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
知识与概念边界
知识准确度 · 0.0 / 10.0 分
未通过
缺少关键词或最终结论不符合：顺序、拥塞、实时
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 · 14.0 / 14.0 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
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%；最低能力维度 0 分，低于 30 分
gemini-3.7-flash
Gemini · 平均延迟 9.98秒 · 成功率 50%（5/10 题）
60.5 分
能力分50.0
性能分62.2
一致性分78.0
首字最快用时2.31秒
首字平均用时8.89秒
每秒最大 tokens1,452.10
平均每秒 tokens872.19
平均响应延迟9.98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
0.0 (0/2)
代码
100.0 (2/2)
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
知识与概念边界
知识准确度 · 0.0 / 10.0 分
未通过
缺少关键词或最终结论不符合：顺序、拥塞、实时
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
长文本定位与记忆
上下文能力 · 12.0 / 12.0 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 30000 milliseconds with 0 bytes received
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
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 50%，低于 75%；最低能力维度 0 分，低于 30 分
返回排行榜
Ai速测