Claude Sonnet 3.7 评测详情

Claude Sonnet 3.7 当前已收录的代表性评测结果包括 Aider-Polyglot（18 / 59，得分 64.90）、MMMU（33 / 74，得分 75）、SWE-bench Verified（61 / 116，得分 70.30）。并附有 1 个数据来源链接供参考。

评测结果

Claude Sonnet 3.7

评测结果

综合知识考试

共 1 项评测

评测名称 / 模式

得分

排名/总数

开启思考

10.30

195 / 235

科学知识与推理

共 3 项评测

评测名称 / 模式

得分

排名/总数

常规模式

68

191 / 253

开启思考

77

150 / 253

开启思考

0.90

162 / 204

仓库修复与多文件工程

共 2 项评测

评测名称 / 模式

得分

排名/总数

SWE-bench Verified

常规模式工具

62.30

80 / 116

SWE-bench Verified

开启思考工具

70.30

61 / 116

数学

共 5 项评测

评测名称 / 模式

得分

排名/总数

常规模式

82.20

43 / 46

常规模式

54.80

93 / 110

常规模式

23.30

58 / 61

常规模式

3.10

46 / 60

开启思考

4.10

41 / 60

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

1411.70

67 / 110

图像感知与视觉推理

共 5 项评测

评测名称 / 模式

得分

排名/总数

unknown

75

33 / 74

常规模式

68

14 / 20

常规模式

60.10

177 / 229

常规模式

39

18 / 24

64K

35

22 / 24

常识推理

共 2 项评测

评测名称 / 模式

得分

排名/总数

常规模式

44.90

64 / 96

开启思考

46.40

59 / 96

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

常规模式

60.40

21 / 59

32K

64.90

18 / 59

Terminal Bench Hard

常规模式工具

21.20

145 / 244

Terminal Bench Hard

开启思考工具

21

148 / 244

客服与业务流程

共 2 项评测

评测名称 / 模式

得分

排名/总数

开启思考工具

61.80

31 / 44

τ²-Bench - Telecom

开启思考工具

55

27 / 30

跨行业工作评估

共 1 项评测

评测名称 / 模式

得分

排名/总数

开启思考

28

14 / 15

跨长文理解与整合

共 2 项评测

评测名称 / 模式

得分

排名/总数

开启思考

61

5 / 6

Fiction.liveBench

常规模式

50

16 / 16

桌面工作流

共 1 项评测

评测名称 / 模式

得分

排名/总数

OSWorld-Verified

开启思考工具

28

28 / 28

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

3.80

19 / 21

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

60.39

16 / 22

METR Time Horizons v1.1

16K工具

56.09

17 / 22

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

141.16

92 / 167

与其他模型对比

数据来源

anthropic.comanthropic.com