OpenAI 出品的健康对话基准：5000 段多轮对话，262 名医生编写的 48,562 条 rubric 细则评分
论文口径：GPT-3.5 Turbo 16 分 → GPT-4o 32 分 → o3 60 分；Hard 档当前最高约 32 分——健康场景仍有大量提升空间。
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。
共收录 7 场模型发布（收录 22 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
xAI / Grok·国际
xAI 发布的最新旗舰编码与知识工作模型，基于 2.1T 参数底座与长程强化学习，在 CursorBench 4.0 (46.3%)、DeepSWE v1.1 (71.0%) 与 Terminal-Bench 4.0 (38.0%) 等多小时自主长程任务上展现出更强的自我检验与 500K 上下文管理能力。
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%。
Alibaba / Qwen·国内
通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。
Anthropic·国际
Anthropic 发布 Claude Opus 5，effort 分档 high/xhigh/max 并提供 Fast 模式；页面数值多为图表与对比性表述（含大量内部评测）。已收录 18 项评测覆盖前沿编码、Agent 操作与法律/健康/生物专业域：亮点 DeepSWE v1.1 68.8、BrowseComp 90.8。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 以「Claude Fable 5 与 Claude Mythos 5」联合公告发布 Fable 5：一款带安全护栏的 Mythos 级模型，在网络安全/生物化学/蒸馏话题上按分类器回退到 Opus 4.8（影响 <5% 会话）。评测覆盖智能体编码、知识工作、计算机使用与生物安全，亮点如 SWE-Bench Pro 80.3%、OSWorld-Verified 85.0%。
Moonshot AI / Kimi·国内
月之暗面将 Kimi K2 Thinking 定位为思考型智能体（thinking agent），通过同时扩展思考 token 与工具调用步数推进测试时扩展前沿，可跨数百步规划、推理、执行与调整，全部评测结果以 INT4 QAT 精度报告。已收录评测覆盖通用推理、数学、智能体检索、编码与终端等领域，HLE 带工具 44.9（Heavy Mode 51.0）、SWE-bench Verified 71.3。
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%。
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。
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。