聪明世界#39
编程偏弱自报
记性1.0M
便宜$4.3
记性换算成体感：一次能读完《哈利·波特》全七部
她的房间
电脑
没有公开的编程评测成绩
书架
5 层 · 记忆 1.0M tokens
黑板
一块空黑板
日历
知识停在 2026-01-04
冰箱
支持上下文缓存，能存记忆
敞开的门
开源权重，谁都能进
身世
- 发布日期
- 2026 年 10 月 15 日models.dev
- 知识截止
- 2026-01-04
- 参数量
- 821.91B
- 开放权重
- 是
- 开源许可
- 暂无数据
- 上下文窗口
- 1.0M tokens
- 单次最大输出
- 131K
- 输入价格
- $1.25 / 百万 tokens
- 输出价格
- $4.25 / 百万 tokens
- 模型类型
- 全模态能听声音、也能看图，文字、图、声音一起理解
- 支持的输入
- 声音、图像、文字、视频 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 155.1
- AIME 数学
- 未参评
- GPQA Diamond 科学
- 未参评
- ARC-AGI-2 抽象推理
- 未参评
- Fiction.liveBench 长文本
- 未参评
综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录， 不代表它做不到——本站不会用估算值填补空缺。
编程战绩（按赛制分列）
- DeepSWE60.0%SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。厂商自报https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B
- Terminal-Bench76.4%把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B
- LiveBench 2.0 编程72.0%LiveBench 2.0 的编程分项：不是做题，而是接 API、写 Agent 循环、接云基础设施、做计费与限额这类真活儿。2.0 换了评测方式（长程任务、产物评审），与旧版 LiveBench 编程分不是同一把尺子，分数不可直接比较。第三方实测https://livebench.ai/?release=20261014
- SWE-Atlas 代码库问答58.0%给模型一个陌生的大型代码库，问它这段代码在干什么。考的是读代码，不是写代码。厂商自报https://huggingface.co/meta-models/Muse-Spark-Open-816B-A42B
这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。
全部成绩（按榜单分列）
名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。
综合
- 综合智力155.1第 39 / 225Epoch Capabilities Index，把十几项学术评测归并成一个总分。想看综合实力，先看这一栏。第三方实测https://epoch.ai/benchmarks
- LiveBench 2.0 综合57.9%第 39 / 48LiveBench 2.0 七个长程任务分类的等权均分——这个总分由本站计算，上游并不发布。第三方实测https://livebench.ai/?release=20261014
知识与推理
- 带引用的研究81.6%第 15 / 48监管、法律、财税、科研五类检索与研判任务，答案要带得住核验的出处。第三方实测https://livebench.ai/?release=20261014
- 数据分析60.2%第 41 / 48从表格里认事件、连表、把一种格式转成另一种格式。第三方实测https://livebench.ai/?release=20261014
- CritPt 物理14.9%第 41 / 180研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
智能体
- 长程任务19.2%第 40 / 48跑几个月的运维、财务合规、电商运营这类长线任务，看模型能不能一直把事做对。第三方实测https://livebench.ai/?release=20261014
- 浏览器操作37.1%第 34 / 48在真实网页里点选、翻页、汇总信息，考验 agent 是不是真的会用浏览器。第三方实测https://livebench.ai/?release=20261014
- APEX 专业任务33.4%第 48 / 64投行、律所、咨询公司的真实工作任务，由业内专家出题与评分。第三方实测
游戏与谜题
- 推理谜题73.7%第 45 / 48心理理论、斑马谜题、空间推理这类不靠背题的死磕题。第三方实测https://livebench.ai/?release=20261014
写作
- 文档与排版61.2%第 43 / 48产出 Word 文档、PDF、PPT 三类成品，看内容组织与版式。第三方实测https://livebench.ai/?release=20261014