GraphWalks

OpenAI 出品的长上下文多跳图推理基准：在有向边列表上执行 BFS / parents 操作，含 128K 与 1M 上下文档

基本信息

30 秒看懂

在有向边表上执行 BFS/parents 操作（128K 与 1M 上下文档），按返回集合的 F1 计分（0-100，越高越好）；同一模型在不同上下文档位的 F1 差直接反映长上下文多跳推理衰减。

评分协议

这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。

模型发布采用时间轴

共收录 4 场模型发布（收录 33 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20

2026

2026-08-26 OpenAI·国际

GPT-5.6 Sol / GPT-5.6 Terra / GPT-5.6 Luna

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 · BFS 256k f1 90.7%GPT-5.6 Terra · BFS 256k f1 76.9%GPT-5.6 Luna · BFS 256k f1 81.3%gpt-5-5 · BFS 256k f1 73.7%claude-mythos-5 · BFS 256k f1 91.1%claude-mythos-preview · BFS 256k f1 85.7%claude-opus-4-8 · BFS 256k f1 85.9%GPT-5.6 Sol · BFS 1mil f1 77.1%GPT-5.6 Terra · BFS 1mil f1 71.2%GPT-5.6 Luna · BFS 1mil f1 51.2%gpt-5-5 · BFS 1mil f1 45.4%claude-mythos-5 · BFS 1mil f1 79.4%claude-mythos-preview · BFS 1mil f1 74.3%claude-opus-4-8 · BFS 1mil f1 68.1%

2026-04-23 OpenAI·国际

GPT-5.5 / GPT-5.5 Pro

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 · BFS 256k 73.7%gpt-5-4 · BFS 256k 62.5%claude-opus-4-7 · BFS 256k 76.9%GPT-5.5 · BFS 1mil 45.4%gpt-5-4 · BFS 1mil 9.4%claude-opus-4-6 · BFS 1mil 41.2%GPT-5.5 · parents 256k 90.1%gpt-5-4 · parents 256k 82.8%claude-opus-4-7 · parents 256k 93.6%GPT-5.5 · parents 1mil 58.5%gpt-5-4 · parents 1mil 44.4%claude-opus-4-6 · parents 1mil 72.0%

2026-04-16 Anthropic·国际

Claude Opus 4.7 / Claude Opus 4.7 (fast)

本发布含 2 个变体，各变体规格见模型详情。

Anthropic 将 Claude Opus 4.7 定位为在高级软件工程上较 Opus 4.6 显著提升、最难任务上增益尤为明显的旗舰模型，同时大幅增强视觉分辨率；这也是首个按 Project Glasswing 分级防护方案发布的模型。已收录评测覆盖智能体编码与终端、长上下文检索、计算机操作、网络安全与多学科推理等领域，SWE-bench Verified 87.6、GPQA Diamond 94.2。

智能体编码高分辨率视觉推理档位控制分级网络安全防护

查看模型变体与证据

Claude Opus 4.7 · Parents 1M / BFS 1M Parents 1M 75.1 / BFS 1M 58.6

2026-03-05 OpenAI·国际

GPT-5.4 / GPT-5.4 Pro / GPT-5.4 mini / GPT-5.4 nano

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 · BFS 0K–128K 93.0%gpt-5-2 · BFS 0K–128K 94.0%GPT-5.4 · BFS 256K–1M 21.4%GPT-5.4 · parents 0–128K 89.8%gpt-5-2 · parents 0–128K 89.0%GPT-5.4 · parents 256K–1M 32.4%

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

相关评测（同类别）

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。