FrontierMath
研究级数学难题，数学家出题、题目保密，AGI 数学信号
基本信息
30 秒看懂
研究级数学，人类博士也难。分数 <10% 是常态；它是“离原创数学研究还有多远”的温度计。
采用格局：单一厂商引用 + 利益冲突争议（Epoch 复测 o3 从 25%→10%）后实际退场
评分协议
题目不公开防污染；OpenAI 赞助引发独立性争议
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 5 场模型发布（收录 39 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-09-03
OpenAI·国际
上下文1M价格$10/$50 每百万 tokens · API 定价每百万输入 10 美元，输出 50 美元模态文本·图像·代码·计算机操作
OpenAI 首个将 Preparedness 框架推至 Critical 等级的旗舰前沿模型，在计算机直接操控、复杂多步长程自主 Agent、软件工程与零日（zero-day）漏洞挖掘上实现重大跃迁；在 ARC-AGI-3 和 ExploitBench 达到饱和得分。
旗舰前沿计算机操作（GUI）Preparedness Critical长程自主代理
查看模型变体与证据
Tier 4 97.6%
2026-08-26
OpenAI·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文将 Sol 定位为 GPT-5.6 的旗舰档（medium/high/xhigh/max/ultra 五档努力级别）。36 项评测横跨智能体、编码、长上下文、科研医疗金融与安全，亮点为 BrowseComp 90.4% 与 Terminal-Bench 2.1 88.8%。
旗舰多档努力智能体安全防护
查看模型变体与证据
GPT-5.6 Sol · Tier 1-3 (v2) 89%GPT-5.6 Terra · Tier 1-3 (v2) 84.9%GPT-5.6 Luna · Tier 1-3 (v2) 78.6%gpt-5-5 · Tier 1-3 (v2) 85.3%claude-fable-5 · Tier 1-3 (v2) 87%claude-opus-4-8 · Tier 1-3 (v2) 80%gemini-3-1-pro · Tier 1-3 (v2) 59.6%GPT-5.6 Sol · Tier 4 (v2) 83%GPT-5.6 Terra · Tier 4 (v2) 68.3%GPT-5.6 Luna · Tier 4 (v2) 58.5%gpt-5-5 · Tier 4 (v2) 72.5%claude-fable-5 · Tier 4 (v2) 87.8%claude-opus-4-8 · Tier 4 (v2) 56.1%
2026-04-23
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 发布 GPT-5.5，提供 low/medium/high/xhigh 推理档（另有非推理模式）。评测横跨智能体编码、知识工作、长上下文与科学/网络安全，亮点如 Terminal-Bench 2.0 82.7%、ARC-AGI-2 85.0%。
智能体编码知识工作长上下文网络安全
查看模型变体与证据
GPT-5.5 · Tier 1-3 51.7%GPT-5.5 Pro · Tier 1-3 52.4%gpt-5-4 · Tier 1-3 47.6%gpt-5-4-pro · Tier 1-3 50.0%claude-opus-4-7 · Tier 1-3 43.8%gemini-3-1-pro · Tier 1-3 36.9%GPT-5.5 · Tier 4 35.4%GPT-5.5 Pro · Tier 4 39.6%gpt-5-4 · Tier 4 27.1%gpt-5-4-pro · Tier 4 38.0%claude-opus-4-7 · Tier 4 22.9%gemini-3-1-pro · Tier 4 16.7%
2026-03-05
OpenAI·国际
本发布含 4 个变体，各变体规格见模型详情。
OpenAI 将 GPT-5.4 定位为融合 GPT-5.3-Codex 编码谱系的新旗舰（ChatGPT 内 Thinking 模式，effort none/low/medium/high/xhigh，1M 上下文，原生计算机操作与工具搜索）。已收录 90 余项评测横跨知识工作、编码、计算机操作与长上下文：亮点 GDPval 83.0%、OSWorld-Verified 75.0%。
旗舰1M 长上下文原生计算机操作工具搜索
查看模型变体与证据
GPT-5.4 · Tier 1-3 47.6%GPT-5.4 Pro · Tier 1-3 50.0%gpt-5-2 · Tier 1-3 40.7%GPT-5.4 · Tier 4 27.1%GPT-5.4 Pro · Tier 4 38.0%gpt-5-2 · Tier 4 18.8%gpt-5-2-pro · Tier 4 31.3%
2025
2025-08-07
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
GPT-5 是 OpenAI 的统一思考模型，发布文称其在 AIME 2025（无工具 94.6%）、SWE-bench Verified 74.9%、HealthBench Hard 46.2% 等刷新 SOTA，并大幅降低事实错误与谄媚率。评测覆盖竞赛数学、编码、指令跟随与代理、多模态与健康：GPQA Diamond 88.4%、MMMU 84.2%、BrowseComp 54.9%。
思考模型多模态代理工具调用幻觉抑制
查看模型变体与证据
GPT-5 Pro · Tier 1-3 32.1GPT-5 · Tier 1-3 26.3GPT-5 · Tier 1-3 13.5chatgpt-agent · Tier 1-3 27.4o4-mini · Tier 1-3 19.3o3 · Tier 1-3 15.8
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。