← 模型目录

Claude Opus 4 / Claude Sonnet 4

Anthropic · 2025-05-22 · 类别未确认

官方发布来源 · 按需求选型 · 查看覆盖缺口

Claude Opus 4

Claude 4 发布中 Opus 4 为最强编码档，采用混合模式（近即时回答 + 扩展思考，扩展思考可与工具调用结合，beta）。已收录 22 项评测覆盖软件工程、终端、知识与 Agent：亮点 SWE-bench Verified 72.5%（并行测试时计算 79.4%）。

输入模态: 文本 / 图像
上下文: 官方资料未说明
参数: 官方资料未说明
价格（每百万 tokens）: USD 输入 15 / 输出 75 · 发布文明确的 per MTok 定价

本变体的评测证据

swebench 72.5% 模型 claude-opus-4 · 版本 Verified · 指标 resolved_rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Opening section · row: SWE-bench · quote_snippet: Claude Opus 4 is our most powerful model yet and the best coding model in the world, leading on SWE-bench (72.5%)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

Prose says "SWE-bench"; the chart section caption reads "Claude 4 models lead on SWE-bench Verified", so the 72.5 figure is the Verified variant. Companion chart also shows 79.4% with parallel test-time compute (see next row notes).

打开官方来源

swebench 79.4 模型 claude-opus-4 · 版本 Verified, parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Model improvements · row: SWE-bench Verified · figure: images/02.webp（归档柱状图 Software engineering / SWE-bench verified：Opus 4 72.5（79.4 并行测试时计算）/ Sonnet 4 72.7（80.2）/ Sonnet 3.7 62.3（70.3）/ Codex-1 72.1 / o3 69.1 / GPT-4.1 54.6 / Gemini 2.5 Pro Preview 63.2） · quote_snippet: Claude 4 models lead on SWE-bench Verified, a benchmark for performance on real software engineering tasks. See appendix for more on methodology.

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

视觉转写自归档图 images/02.webp（2026-09-01）：Opus 4 并行测试时计算 79.4，与 prose 72.5 相互印证。Vision-assisted chart read (NOT machine-readable; per goal.md 12.5 OCR cannot flip status): Opus 4 72.5 base / 79.4 with parallel test-time compute; Sonnet 4 72.7 / 80.2; Sonnet 3.7 62.3 / 70.3; OpenAI Codex-1 72.1; OpenAI o3 69.1; OpenAI GPT-4.1 54.6; Gemini 2.5 Pro 63.2. Chart footnote "Preview (05-06)". The 72.5/72.7 bases match the prose values exactly.

打开官方来源

terminalbench 43.2% 模型 claude-opus-4 · 版本未说明 · 指标 pass_rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Opening section · row: Terminal-bench · quote_snippet: the best coding model in the world, leading on SWE-bench (72.5%) and Terminal-bench (43.2%)

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

Page does not state the Terminal-Bench version; left unspecified. 2026-09-01 CSV 逐格核对：Opus 4 43.2 / 50.0（并行测试时计算）；脚注 2：同脚手架换非 Claude 智能体 39.2。同行：Sonnet 4 35.5/41.3、Sonnet 3.7 35.2、o3 30.2、GPT-4.1 30.3、Gemini 2.5 Pro 25.3。

打开官方来源

terminalbench 50.0 模型 claude-opus-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Agentic terminal coding - Terminal-bench · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06） · quote_snippet: Claude Opus 4 ... leading on SWE-bench (72.5%) and Terminal-bench (43.2%).

{
  "harness": "Claude Code（脚注 2：同脚手架换非 Claude 智能体得 39.2%/33.5%）",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）：43.2 / 50.0（并行测试时计算，脚注 5）。同行：Sonnet 3.7 35.2、o3 30.2、GPT-4.1 30.3、Gemini 2.5 Pro 25.3。

打开官方来源

gpqa 79.6 模型 claude-opus-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Graduate-level reasoning - GPQA Diamond · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）：79.6 / 83.3（并行测试时计算）。Appendix 另载 w/o extended thinking 74.9。同行：Sonnet 3.7 78.2、o3 83.3、GPT-4.1 66.3、Gemini 2.5 Pro 83.0。

打开官方来源

gpqa 83.3 模型 claude-opus-4 · 版本 parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Graduate-level reasoning - GPQA Diamond · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）。脚注 5：并行测试时计算 = 多序列采样后由内部评分模型选单一最优。

打开官方来源

tau-bench Retail 81.4 / Airline 59.6 模型 claude-opus-4 · 版本 Retail / Airline split · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Agentic tool use - TAU-bench (Retail / Airline) · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": "prompt addendum to Airline/Retail Agent Policy; extended thinking with tool use; max steps 30 -> 100",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）：Retail 81.4、Airline 59.6（extended thinking with tool use；无 w/o extended thinking 结果，见 appendix）。同行 Retail：Sonnet 3.7 81.2、o3 70.4、GPT-4.1 68.0；Airline：Sonnet 3.7 58.4、o3 52.0、GPT-4.1 49.4；Gemini 未报。

打开官方来源

mmmlu 88.8 模型 claude-opus-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Multilingual Q&A - MMMLU · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": "14 门非英语语言平均（脚注 3）",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）：88.8（14 门非英语语言平均）。Appendix 另载 w/o extended thinking 87.4。同行：Sonnet 3.7 85.9、o3 88.8、GPT-4.1 83.7；Gemini 未报。

打开官方来源

mmmu 76.5 模型 claude-opus-4 · 版本 validation · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Visual reasoning - MMMU (validation) · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）：76.5。Appendix 另载 w/o extended thinking 73.7。同行：Sonnet 3.7 75.0、o3 82.9、GPT-4.1 74.8、Gemini 2.5 Pro 79.6。

打开官方来源

aime-25 75.5 模型 claude-opus-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: High school math competition - AIME 2025 · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": "0.95（脚注 4）",
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）：75.5 / 90.0（并行测试时计算，nucleus sampling top_p 0.95）。Appendix 另载 w/o extended thinking 33.9。同行：Sonnet 3.7 54.8、o3 88.9、Gemini 2.5 Pro 83.0；GPT-4.1 未报。

打开官方来源

aime-25 90.0 模型 claude-opus-4 · 版本 parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: High school math competition - AIME 2025 · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": "0.95（脚注 4）",
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Opus 4 列）。脚注 5：并行测试时计算 = 多序列采样后由内部评分模型选单一最优。

打开官方来源

Claude Sonnet 4

Claude 4 发布中 Sonnet 4 为同代高效档，同样采用近即时 + 扩展思考混合模式（扩展思考与工具调用结合为 beta）。已收录评测覆盖软件工程与 Agent：亮点 SWE-bench Verified 72.7%（并行测试时计算 80.2%）。

输入模态: 文本 / 图像
上下文: 官方资料未说明
参数: 官方资料未说明
价格（每百万 tokens）: USD 输入 3 / 输出 15 · 发布文明确的 per MTok 定价

本变体的评测证据

swebench 72.7% 模型 claude-sonnet-4 · 版本 Verified · 指标 resolved_rate · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Opening section · row: SWE-bench · quote_snippet: Claude Sonnet 4 significantly improves on Sonnet 3.7, excelling in coding with a state-of-the-art 72.7% on SWE-bench

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

Same Verified-variant reasoning as the Opus row; chart-read parallel-compute value 80.2% recorded in the Opus parallel row notes. 2026-09-01 CSV 逐格核对：72.7 基线与 prose/chart 一致；80.2 并行测试时计算另立行。

打开官方来源

swebench 80.2 模型 claude-sonnet-4 · 版本 Verified, parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Agentic coding - SWE-bench Verified · figure: images/02.webp（归档柱状图 Software engineering / SWE-bench verified，与 CSV 逐格一致） · quote_snippet: Claude 4 models lead on SWE-bench Verified, a benchmark for performance on real software engineering tasks.

{
  "harness": "bash/editor tools scaffold",
  "tools": "bash + file editing (string replacement)",
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": "0.95",
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": "10 trials averaged (footnote 1)",
  "aggregation": null,
  "judge": null
}

视觉转写+CSV 逐格核对（2026-09-01，Sonnet 4 列）：80.2 并行测试时计算；与 prose（appendix 高算力段 "79.4% and 80.2% for Opus 4 and Sonnet 4 respectively"）一致。同行：Sonnet 3.7 62.3/70.3、o3 69.1、GPT-4.1 54.6、Gemini 2.5 Pro Preview 63.2。脚注 5：并行测试时计算 = 多序列采样后由内部评分模型选单一最优。

打开官方来源

terminalbench 35.5 模型 claude-sonnet-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Agentic terminal coding - Terminal-bench · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06） · quote_snippet: Claude Opus 4 ... leading on SWE-bench (72.5%) and Terminal-bench (43.2%).

{
  "harness": "Claude Code（脚注 2：同脚手架换非 Claude 智能体得 39.2%/33.5%）",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）：35.5（Claude Code 智能体）/ 41.3（并行测试时计算）。脚注 2：换与非 Claude 模型相同智能体得 33.5。

打开官方来源

terminalbench 41.3 模型 claude-sonnet-4 · 版本 parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Agentic terminal coding - Terminal-bench · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06） · quote_snippet: Claude Opus 4 ... leading on SWE-bench (72.5%) and Terminal-bench (43.2%).

{
  "harness": "Claude Code（脚注 2：同脚手架换非 Claude 智能体得 39.2%/33.5%）",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）。脚注 5：并行测试时计算 = 多序列采样后由内部评分模型选单一最优。

打开官方来源

gpqa 75.4 模型 claude-sonnet-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Graduate-level reasoning - GPQA Diamond · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）：75.4 / 83.8（并行测试时计算）。Appendix 另载 w/o extended thinking 70.0。

打开官方来源

gpqa 83.8 模型 claude-sonnet-4 · 版本 parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Graduate-level reasoning - GPQA Diamond · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）。脚注 5：并行测试时计算 = 多序列采样后由内部评分模型选单一最优。

打开官方来源

tau-bench Retail 80.5 / Airline 60.0 模型 claude-sonnet-4 · 版本 Retail / Airline split · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Agentic tool use - TAU-bench (Retail / Airline) · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": "prompt addendum to Airline/Retail Agent Policy; extended thinking with tool use; max steps 30 -> 100",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）：Retail 80.5、Airline 60.0。

打开官方来源

mmmlu 86.5 模型 claude-sonnet-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Multilingual Q&A - MMMLU · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": "14 门非英语语言平均（脚注 3）",
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）：86.5。Appendix 另载 w/o extended thinking 85.4。

打开官方来源

mmmu 74.4 模型 claude-sonnet-4 · 版本 validation · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: Visual reasoning - MMMU (validation) · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": null,
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）：74.4。Appendix 另载 w/o extended thinking 72.6。

打开官方来源

aime-25 70.5 模型 claude-sonnet-4 · 版本未说明 · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: High school math competition - AIME 2025 · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": "0.95（脚注 4）",
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）：70.5 / 85.0（并行测试时计算）。Appendix 另载 w/o extended thinking 33.1。

打开官方来源

aime-25 85.0 模型 claude-sonnet-4 · 版本 parallel test-time compute · 指标未说明 · 单位 percent 来源等级 A · vendor_reported · 核对日期 2026-09-01 · 距快照 33 天

归一化读数：不计算；样本及方差不完整，无法计算置信区间。

原文位置与完整协议

heading: Introducing Claude 4（benchmarks table） · table: Benchmarks Table · row: High school math competition - AIME 2025 · figure: 官方页 benchmarksTable CSV（cdn.sanity.io/files/4zrzovbb/website/0827c45e02042cf4c6158ea6c04abefedf2b728a.csv；列: Opus 4 | Sonnet 4 | Sonnet 3.7 | o3 | GPT-4.1 | Gemini 2.5 Pro Preview 05-06）

{
  "harness": null,
  "tools": null,
  "shots": null,
  "reasoning_effort": null,
  "temperature": null,
  "top_p": "0.95（脚注 4）",
  "token_budget": null,
  "turn_limit": null,
  "time_limit": null,
  "run_count": null,
  "aggregation": null,
  "judge": null
}

CSV 逐格核对（2026-09-01，Sonnet 4 列）。脚注 5：并行测试时计算 = 多序列采样后由内部评分模型选单一最优。

打开官方来源