Opus 4.5 评测详情

Opus 4.5 当前已收录的代表性评测结果包括 MMLU-Pro（2 / 175，得分 90）、SWE-bench Verified（9 / 116，得分 80.90）、SAGE（6 / 64，得分 52.09）。并附有 3 个数据来源链接供参考。

评测结果

Opus 4.5

评测结果

综合知识考试

共 5 项评测

评测名称 / 模式

得分

排名/总数

扩展

90

2 / 175

常规模式

14.16

183 / 235

开启思考

25.20

136 / 235

扩展

30.80

112 / 235

扩展工具

43.20

70 / 235

抽象归纳与泛化

共 4 项评测

评测名称 / 模式

得分

排名/总数

常规模式

40

153 / 193

扩展

80

99 / 193

常规模式

7.78

129 / 181

扩展

37.64

101 / 181

科学知识与推理

共 3 项评测

评测名称 / 模式

得分

排名/总数

扩展

87

70 / 253

常规模式

0.30

186 / 204

开启思考

4.60

106 / 204

仓库修复与多文件工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

SWE-bench Verified

扩展工具

80.90

9 / 116

算法与竞赛编程

共 1 项评测

评测名称 / 模式

得分

排名/总数

扩展工具

87

16 / 125

写作与创意表达

共 1 项评测

评测名称 / 模式

得分

排名/总数

Creative Writing

常规模式

1686.70

32 / 110

图像感知与视觉推理

共 7 项评测

评测名称 / 模式

得分

排名/总数

unknown

80.70

15 / 74

扩展

80.70

15 / 74

常规模式

75

10 / 20

常规模式

71.20

122 / 229

开启思考

74

99 / 229

unknown

73.90

102 / 229

32K

40

15 / 24

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

扩展

62

29 / 96

客服与业务流程

共 6 项评测

评测名称 / 模式

得分

排名/总数

τ²-Bench - Telecom

思考水平·高工具

92.32

13 / 30

τ²-Bench - Telecom

扩展工具

90.70

17 / 30

扩展工具

81.99

13 / 44

常规模式工具

45

31 / 64

思考水平·高工具

52.09

6 / 64

思考水平·高工具

24.74

80 / 167

数学

共 9 项评测

评测名称 / 模式

得分

排名/总数

扩展

93.30

17 / 30

FrontierMath v2

32K

34.39

39 / 58

IMO-ProofBench Advanced

开启思考

23.80

9 / 24

扩展

20.70

17 / 60

FrontierMath Tier 4 v2

32K

4.88

34 / 42

FrontierMath - Tier 4

常规模式

4.20

40 / 80

FrontierMath - Tier 4

16K

2.10

56 / 80

FrontierMath - Tier 4

32K

4.20

40 / 80

FrontierMath - Tier 4

扩展

4.20

40 / 80

指令与格式遵循

共 1 项评测

评测名称 / 模式

得分

排名/总数

扩展工具

58

23 / 31

跨能力综合测试

共 4 项评测

评测名称 / 模式

得分

排名/总数

64K

72.58

25 / 117

思考水平·低

55.77

82 / 117

思考水平·中

59.10

74 / 117

思考水平·高

58.59

76 / 117

自主开发与终端任务

共 4 项评测

评测名称 / 模式

得分

排名/总数

Terminal Bench 2.0

扩展工具

59.30

20 / 48

Terminal Bench Hard

常规模式工具

40.90

50 / 244

Terminal Bench Hard

开启思考工具

47

26 / 244

Terminal Bench Hard

扩展工具

44

36 / 244

跨应用与工具编排

共 3 项评测

评测名称 / 模式

得分

排名/总数

扩展工具

91.50

7 / 29

扩展工具

87.20

9 / 38

思考水平·高工具

69.80

31 / 44

跨长文理解与整合

共 1 项评测

评测名称 / 模式

得分

排名/总数

常规模式

64.40

2 / 14

维护、优化与工程管理

共 1 项评测

评测名称 / 模式

得分

排名/总数

常规模式工具

26.50

8 / 21

机器学习工程

共 2 项评测

评测名称 / 模式

得分

排名/总数

16K工具

63.70

24 / 52

思考水平·高工具

0.07

11 / 13

综合偏好评测

共 2 项评测

评测名称 / 模式

得分

排名/总数

Text Arena (Coding)

常规模式

1479

20 / 35

Text Arena (Coding)

32K

1512

17 / 35

逻辑与规划

共 2 项评测

评测名称 / 模式

得分

排名/总数

常规模式工具

43.50

5 / 12

64K工具

43

7 / 12

能力边界度量

共 2 项评测

评测名称 / 模式

得分

排名/总数

METR Time Horizons v1.1

常规模式工具

293

6 / 22

METR Time Horizons v1.1

16K工具

288.90

7 / 22

程序生成与编辑

共 1 项评测

评测名称 / 模式

得分

排名/总数

Vibe Code Bench v1.1

思考水平·高工具

20.63

48 / 61

临床工作与医疗决策

共 4 项评测

评测名称 / 模式

得分

排名/总数

常规模式工具

83.25

32 / 66

思考水平·高工具

85.32

19 / 66

常规模式工具

45.17

28 / 64

思考水平·高工具

49.16

16 / 64

跨能力聚合指数

共 1 项评测

评测名称 / 模式

得分

排名/总数

unknown

150.10

45 / 167

多轮记忆与持续上下文

共 1 项评测

评测名称 / 模式

得分

排名/总数

128K工具

14.29

14 / 23

与其他模型对比

数据来源

pinchbench.compinchbench.com anthropic.comanthropic.com epoch.aiepoch.ai