kxgapi.icu

kxgapi.icu · 测评于 2026-11-18 18:40 · 最近更新批次 #3026

67.6
综合评分
49.4
能力分(40%)
76.1
性能分(40%)
87.1
一致性分(20%)
0.63s
首字最快用时
2.07s
首字平均用时
137,400.0
每秒最大 tokens
3,376.0
平均每秒 tokens
33
测评模型数
deepseek-v4.1-flash-1017
最佳模型 84.5
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

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。

各模型得分明细

前往该中转站
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。
deepseek-v4.1-flash-1017
DeepSeek · 平均延迟 20.00秒 · 成功率 70%(7/10 题)
84.5 分
能力分71.1
性能分90.2
一致性分100.0
首字最快用时0.95秒
首字平均用时1.49秒
每秒最大 tokens158.01
平均每秒 tokens113.91
平均响应延迟20.00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 50.0 (1/2)
知识 100.0 (2/2)
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
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
知识与概念边界 知识准确度 · 10.0 / 10.0 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
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
qwen3.8-max-0902
通义千问 / Qwen · 平均延迟 18.55秒 · 成功率 70%(7/10 题)
84.5 分
能力分71.1
性能分90.2
一致性分100.0
首字最快用时0.86秒
首字平均用时1.55秒
每秒最大 tokens156.83
平均每秒 tokens111.93
平均响应延迟18.55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 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
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
身份自报检查 声明一致性 · 2.0 / 2.0 分 通过
知识与概念边界 知识准确度 · 10.0 / 10.0 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 70%,低于 75%;最低能力维度 0 分,低于 30 分
vanchin/deepseek-v4-pro-0813
DeepSeek · 平均延迟 14.94秒 · 成功率 70%(7/10 题)
83.8 分
能力分68.1
性能分91.4
一致性分100.0
首字最快用时0.86秒
首字平均用时1.14秒
每秒最大 tokens157.94
平均每秒 tokens123.74
平均响应延迟14.94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 0.0 (0/2)
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
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
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 70%,低于 75%;最低能力维度 0 分,低于 30 分
deepseek-v4.1-flash
DeepSeek · 平均延迟 18.49秒 · 成功率 70%(7/10 题)
83.7 分
能力分68.9
性能分90.3
一致性分100.0
首字最快用时0.92秒
首字平均用时1.52秒
每秒最大 tokens161.29
平均每秒 tokens127.66
平均响应延迟18.49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 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
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
知识与概念边界 知识准确度 · 10.0 / 10.0 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 · 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
us.anthropic.claude-fable-5-1
Claude · 平均延迟 4.64秒 · 成功率 70%(7/10 题)
81.5 分
能力分71.1
性能分90.6
一致性分84.0
首字最快用时1.17秒
首字平均用时1.40秒
每秒最大 tokens366.52
平均每秒 tokens285.13
平均响应延迟4.64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 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
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
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 · 0.0 / 14.0 分 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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
us.anthropic.claude-sonnet-5
Claude · 平均延迟 5.33秒 · 成功率 70%(7/10 题)
80.9 分
能力分71.1
性能分89.2
一致性分84.0
首字最快用时1.24秒
首字平均用时1.87秒
每秒最大 tokens404.76
平均每秒 tokens270.07
平均响应延迟5.33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 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
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
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 · 0.0 / 14.0 分 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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
ZHIPU/GLM-5.3-Flash
GLM / ChatGLM · 平均延迟 18.46秒 · 成功率 70%(7/10 题)
79.9 分
能力分67.4
性能分87.4
一致性分90.0
首字最快用时0.96秒
首字平均用时2.44秒
每秒最大 tokens157.28
平均每秒 tokens118.11
平均响应延迟18.46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 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
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
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 · 5.0 / 5.0 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
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
deepseek-v4-flash-0731
DeepSeek · 平均延迟 20.73秒 · 成功率 60%(6/10 题)
78.5 分
能力分57.8
性能分88.6
一致性分100.0
首字最快用时0.86秒
首字平均用时1.27秒
每秒最大 tokens158.42
平均每秒 tokens124.05
平均响应延迟20.73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 55.6 (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
知识与概念边界 知识准确度 · 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
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
身份自报检查 声明一致性 · 2.0 / 2.0 分 通过
动态结构化输出 JSON 结构化 · 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
deepseek-v4-flash
DeepSeek · 平均延迟 20.27秒 · 成功率 60%(6/10 题)
77.8 分
能力分55.6
性能分89.0
一致性分100.0
首字最快用时0.89秒
首字平均用时1.14秒
每秒最大 tokens157.06
平均每秒 tokens136.07
平均响应延迟20.27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 44.4 (1/2)
知识 50.0 (1/2)
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
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
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
知识与概念边界 知识准确度 · 10.0 / 10.0 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
vanchin/deepseek-v4-pro
DeepSeek · 平均延迟 19.87秒 · 成功率 60%(6/10 题)
76.8 分
能力分57.5
性能分84.6
一致性分100.0
首字最快用时0.95秒
首字平均用时1.41秒
每秒最大 tokens155.91
平均每秒 tokens122.53
平均响应延迟19.87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 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
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
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
知识与概念边界 知识准确度 · 10.0 / 10.0 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 60%,低于 75%;最低能力维度 0 分,低于 30 分
qwen3.8-max
通义千问 / Qwen · 平均延迟 18.77秒 · 成功率 60%(6/10 题)
76.4 分
能力分57.8
性能分88.3
一致性分90.0
首字最快用时0.85秒
首字平均用时1.35秒
每秒最大 tokens157.81
平均每秒 tokens130.87
平均响应延迟18.77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 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
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
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 · 5.0 / 5.0 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
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
us.anthropic.claude-opus-5
Claude · 平均延迟 5.35秒 · 成功率 60%(6/10 题)
75.9 分
能力分60.0
性能分87.6
一致性分84.0
首字最快用时1.25秒
首字平均用时1.56秒
每秒最大 tokens531.69
平均每秒 tokens269.83
平均响应延迟5.35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 0.0 (0/2)
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
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
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 · 0.0 / 14.0 分 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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 60%,低于 75%;最低能力维度 0 分,低于 30 分
anthropic.claude-fable-5
Claude · 平均延迟 4.87秒 · 成功率 60%(6/10 题)
75.8 分
能力分58.7
性能分87.7
一致性分86.0
首字最快用时1.15秒
首字平均用时1.53秒
每秒最大 tokens509.09
平均每秒 tokens274.53
平均响应延迟4.87秒
一致性判定:基本符合声明特征
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
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
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 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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
anthropic.claude-fable-5-1
Claude · 平均延迟 5.33秒 · 成功率 60%(6/10 题)
75.4 分
能力分58.7
性能分87.8
一致性分84.0
首字最快用时1.19秒
首字平均用时1.49秒
每秒最大 tokens306.78
平均每秒 tokens224.25
平均响应延迟5.33秒
一致性判定:基本符合声明特征
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
知识与概念边界 知识准确度 · 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 · 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
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 · 0.0 / 14.0 分 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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
anthropic.claude-sonnet-5
Claude · 平均延迟 6.47秒 · 成功率 60%(6/10 题)
74.6 分
能力分58.7
性能分87.3
一致性分81.0
首字最快用时1.35秒
首字平均用时1.67秒
每秒最大 tokens267.41
平均每秒 tokens196.85
平均响应延迟6.47秒
一致性判定:基本符合声明特征
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
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
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 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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 30001 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
anthropic.claude-opus-5
Claude · 平均延迟 4.63秒 · 成功率 50%(5/10 题)
71.4 分
能力分50.0
性能分85.4
一致性分86.0
首字最快用时1.25秒
首字平均用时1.47秒
每秒最大 tokens423.53
平均每秒 tokens236.45
平均响应延迟4.63秒
一致性判定:基本符合声明特征
五大能力维度
数学 50.0 (1/2)
逻辑 50.0 (1/2)
代码 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
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
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 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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 50%,低于 75%;最低能力维度 0 分,低于 30 分
deepseek-v4-pro
DeepSeek · 平均延迟 19.36秒 · 成功率 50%(5/10 题)
71.3 分
能力分46.7
性能分81.6
一致性分100.0
首字最快用时0.85秒
首字平均用时1.63秒
每秒最大 tokens156.29
平均每秒 tokens123.12
平均响应延迟19.36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 50.0 (1/2)
代码 0.0 (0/2)
中文 44.4 (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
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
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
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
gpt-6.1-sol
GPT · 平均延迟 2.76秒 · 成功率 50%(5/10 题)
70.2 分
能力分51.1
性能分81.4
一致性分86.0
首字最快用时1.80秒
首字平均用时2.75秒
每秒最大 tokens123,000.00
平均每秒 tokens39,349.83
平均响应延迟2.76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 55.6 (1/2)
代码 0.0 (0/2)
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
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
身份自报检查 声明一致性 · 2.0 / 2.0 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 · 0.0 / 14.0 分 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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
claude-opus-4-8
Claude · 平均延迟 4.90秒 · 成功率 50%(5/10 题)
69.0 分
能力分46.7
性能分82.9
一致性分86.0
首字最快用时1.93秒
首字平均用时2.28秒
每秒最大 tokens387.01
平均每秒 tokens328.45
平均响应延迟4.90秒
一致性判定:基本符合声明特征
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 44.4 (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
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
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 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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 50%,低于 75%;最低能力维度 0 分,低于 30 分
DeepSeek-V4.1-Flash-TF
DeepSeek · 平均延迟 15.81秒 · 成功率 60%(6/10 题)
68.5 分
能力分56.5
性能分64.8
一致性分100.0
首字最快用时1.25秒
首字平均用时1.36秒
每秒最大 tokens64.98
平均每秒 tokens51.46
平均响应延迟15.81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 0.0 (0/2)
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
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
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
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
deepseek/deepseek-v4-flash
DeepSeek · 平均延迟 21.62秒 · 成功率 50%(5/10 题)
68.1 分
能力分51.1
性能分79.0
一致性分80.0
首字最快用时0.98秒
首字平均用时1.85秒
每秒最大 tokens156.24
平均每秒 tokens140.54
平均响应延迟21.62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 0.0 (0/2)
中文 0.0 (0/2)
知识 50.0 (1/2)
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 · 0.0 / 10.0 分 异常
动态多步计算:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
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
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
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
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
deepseek-v4-pro-0813
DeepSeek · 平均延迟 19.62秒 · 成功率 50%(5/10 题)
67.8 分
能力分48.9
性能分81.7
一致性分78.0
首字最快用时0.86秒
首字平均用时1.66秒
每秒最大 tokens157.88
平均每秒 tokens123.65
平均响应延迟19.62秒
一致性判定:基本符合声明特征
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 0.0 (0/2)
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 · 0.0 / 12.0 分 未通过
JSON 不可解析、字段多余/缺失,或字段值类型不符合。
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
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
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
MiniMax/MiniMax-M3.1-Flash
MiniMax · 平均延迟 19.28秒 · 成功率 40%(4/10 题)
66.9 分
能力分37.0
性能分80.3
一致性分100.0
首字最快用时0.83秒
首字平均用时2.31秒
每秒最大 tokens659.44
平均每秒 tokens209.75
平均响应延迟19.28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 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
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
知识与概念边界 知识准确度 · 10.0 / 10.0 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 · 5.0 / 5.0 分 通过
该模型触发测评预警:题目通过率 40%,低于 75%;最低能力维度 0 分,低于 30 分
ZHIPU/GLM-5.3
GLM / ChatGLM · 平均延迟 19.24秒 · 成功率 50%(5/10 题)
66.0 分
能力分45.7
性能分74.3
一致性分90.0
首字最快用时0.87秒
首字平均用时2.69秒
每秒最大 tokens158.35
平均每秒 tokens110.58
平均响应延迟19.24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 50.0 (1/2)
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
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
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 · 5.0 / 5.0 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
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
vanchin/deepseek-v4.1-flash
DeepSeek · 平均延迟 21.02秒 · 成功率 40%(4/10 题)
65.8 分
能力分38.3
性能分81.3
一致性分90.0
首字最快用时0.87秒
首字平均用时1.22秒
每秒最大 tokens156.16
平均每秒 tokens107.85
平均响应延迟21.02秒
一致性判定:高度符合声明特征
五大能力维度
数学 55.6 (1/2)
逻辑 100.0 (2/2)
代码 0.0 (0/2)
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
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
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 · 5.0 / 5.0 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
该模型触发测评预警:题目通过率 40%,低于 75%;最低能力维度 0 分,低于 30 分
GLM-5.3-Flash-EXL3
GLM / ChatGLM · 平均延迟 14.13秒 · 成功率 50%(5/10 题)
61.9 分
能力分47.8
性能分61.9
一致性分90.0
首字最快用时0.63秒
首字平均用时0.67秒
每秒最大 tokens52.54
平均每秒 tokens35.48
平均响应延迟14.13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 50.0 (1/2)
代码 0.0 (0/2)
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 · 0.0 / 10.0 分 未通过
最终答案或格式约束不符合预期。
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
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 · 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
deepseek-v4-pro-none
DeepSeek · 平均延迟 22.19秒 · 成功率 40%(4/10 题)
58.6 分
能力分35.6
性能分65.9
一致性分90.0
首字最快用时0.84秒
首字平均用时2.78秒
每秒最大 tokens154.47
平均每秒 tokens111.76
平均响应延迟22.19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 0.0 (0/2)
中文 0.0 (0/2)
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 · 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
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
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 40%,低于 75%;最低能力维度 0 分,低于 30 分
deepseek-flash
DeepSeek · 平均延迟 22.91秒 · 成功率 30%(3/10 题)
58.1 分
能力分28.9
性能分66.3
一致性分100.0
首字最快用时0.74秒
首字平均用时1.21秒
每秒最大 tokens156.70
平均每秒 tokens130.14
平均响应延迟22.91秒
一致性判定:高度符合声明特征
五大能力维度
数学 0.0 (0/2)
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)
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
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
复杂指令遵循 指令遵循 · 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
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 30%,低于 75%;最低能力维度 0 分,低于 30 分
claude-opus-5.5
Claude · 平均延迟 16.06秒 · 成功率 40%(4/10 题)
53.8 分
能力分35.6
性能分56.0
一致性分86.0
首字最快用时2.67秒
首字平均用时10.07秒
每秒最大 tokens137,400.00
平均每秒 tokens63,969.28
平均响应延迟16.06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 50.0 (1/2)
代码 0.0 (0/2)
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
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
身份自报检查 声明一致性 · 2.0 / 2.0 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 · 0.0 / 14.0 分 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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 40%,低于 75%;最低能力维度 0 分,低于 30 分
kimi-k3
Kimi / Moonshot · 平均延迟 24.23秒 · 成功率 30%(3/10 题)
52.0 分
能力分28.9
性能分51.2
一致性分100.0
首字最快用时0.95秒
首字平均用时2.75秒
每秒最大 tokens158.43
平均每秒 tokens108.95
平均响应延迟24.23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 44.4 (1/2)
代码 0.0 (0/2)
中文 0.0 (0/2)
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
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
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 30%,低于 75%;最低能力维度 0 分,低于 30 分
deepseek-v4.1-flash-free
DeepSeek · 平均延迟 22.74秒 · 成功率 30%(3/10 题)
39.9 分
能力分28.3
性能分50.4
一致性分42.0
首字最快用时3.03秒
首字平均用时4.53秒
每秒最大 tokens148.06
平均每秒 tokens83.24
平均响应延迟22.74秒
一致性判定:与声明特征偏差较大
五大能力维度
数学 44.4 (1/2)
逻辑 50.0 (1/2)
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)
动态多步计算 推理能力 · 0.0 / 10.0 分 异常
动态多步计算:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
多约束逻辑推理 推理能力 · 0.0 / 10.0 分 异常
多约束逻辑推理:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
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 · 0.0 / 10.0 分 异常
复杂指令遵循: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 · 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
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
身份自报检查 声明一致性 · 0.0 / 2.0 分 异常
身份自报检查: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 · 0.0 / 14.0 分 异常
工具调用兼容性:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
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 30%,低于 75%;最低能力维度 0 分,低于 30 分
claude-opus-4-7
Claude · 平均延迟 27.23秒 · 成功率 0%(0/10 题)
32.2 分
能力分0.0
性能分37.5
一致性分86.0
首字最快用时2.24秒
首字平均用时2.24秒
每秒最大 tokens181.82
平均每秒 tokens181.82
平均响应延迟27.23秒
一致性判定:基本符合声明特征
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)
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
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 未通过
接口返回成功,但模型未按要求发起有效工具调用。
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 0%,低于 75%;最低能力维度 0 分,低于 30 分
claude-opus-4-6
Claude · 平均延迟 29.71秒 · 成功率 0%(0/10 题)
0.4 分
能力分0.0
性能分0.0
一致性分2.0
首字最快用时暂无
首字平均用时暂无
每秒最大 tokens0.00
平均每秒 tokens0.00
平均响应延迟29.71秒
一致性判定:与声明特征偏差较大
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)
一致性专项明细(11 项)
动态多步计算 推理能力 · 0.0 / 10.0 分 异常
动态多步计算:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
多约束逻辑推理 推理能力 · 0.0 / 10.0 分 异常
多约束逻辑推理:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
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 30002 milliseconds with 0 bytes received
复杂指令遵循 指令遵循 · 0.0 / 10.0 分 异常
复杂指令遵循:调用失败,未通过测试。请求失败:Operation timed out after 30000 milliseconds with 0 bytes received
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
结构污染检查 协议完整性 · 0.0 / 8.0 分 异常
结构污染检查: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 · 0.0 / 12.0 分 异常
长文本定位与记忆:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
工具调用兼容性 高级功能 · 0.0 / 14.0 分 异常
工具调用兼容性:调用失败,未通过测试。请求失败:Operation timed out after 30001 milliseconds with 0 bytes received
流式输出检查 协议完整性 · 0.0 / 7.0 分 异常
流式输出检查:调用失败,未通过测试。请求失败:Operation timed out after 30000 milliseconds with 8 bytes received
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 30001 milliseconds with 0 bytes received
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

返回排行榜

Ai速测 · 仅作能力评测与导航参考,不代表任何商业推荐 · 数据由社区提交