公告 AiTest123 交流群已开放 欢迎进群交流功能建议、产品想法、数据问题和使用反馈

AiTest123.comAiTest123.comAI 评测与可信度检测平台

模型智商榜

MODEL IQ BOARD跨厂商能力分 + 降智预警

全天候自动化测试给主流大模型出题打分，把每家模型的综合能力折成 0–100 的分数，用来横向对比水平、盯住谁在悄悄变笨（降智）。

监测模型 24 款模型 每轮数据日期见页面下方
24款模型监测中
12款低于近期常态
87.5平均综合分
同步于 13 天前数据日期 2026-10-28 13:43

模型能力指数

COMPOSITE SCORE0–100 综合分
同一套题下的相对表现 · 条形按 60–100 分区间铺开
18 Kimi 2.7 86

信号速览

SIGNALS一眼看完本轮的四个关键点
提升最多 +4

DeepSeek V4 Pro

和刚发布时相比，它提升得最多。

代码最强 96 / 100

Claude Opus 5.5

写代码的测试里它得分最高。

疑似降智 -17

Claude Opus 4.7

比自己平时的水平掉得最狠，优先复核。

完整排行

FULL RANKING综合分、涨跌与 30 天趋势
点表头可排序 · 趋势纵轴固定 60–100 分

表格可左右滑动查看全部列。
1 Claude Opus 5.5 62 家中转站在卖 96 0 96 -1 97 ±1
2 Claude Sonnet 5.5 60 家中转站在卖 94 +2 92 +1 93 ±1
3 DeepSeek V4 Flash 33 家中转站在卖 93 -4 97 -2 95 ±1
4 GPT 5.6 Luna 59 家中转站在卖 93 -3 96 -3 96 ±2
5 GPT 5.6 Sol 70 家中转站在卖 93 +2 91 0 93 ±2
6 Claude Fable 5.1 59 家中转站在卖 92 +2 90 +1 91 ±1
7 Claude Sonnet 5 60 家中转站在卖 92 +4 88 +2 90 ±3
8 GPT 6 Luna 46 家中转站在卖 92 0 92 -1 93 ±1
9 GPT 6 Astra 70 家中转站在卖 91 0 91 -2 93 ±1
10 GPT 6 Sol 69 家中转站在卖 90 -1 91 -3 93 ±1
11 Kimi K3 35 家中转站在卖 90 +3 87 +1 89 ±1
12 Claude Opus 5 62 家中转站在卖 89 +2 87 -1 90 ±1
13 DeepSeek V4 Pro 31 家中转站在卖 89 +3 86 +4 85 ±1
14 GLM-5.3 33 家中转站在卖 89 +1 88 +1 88 ±2
15 GPT 5.6 Terra 66 家中转站在卖 89 -2 91 -4 93 ±1
16 Gemini 3.8 Flash 31 家中转站在卖 88 -2 90 -3 91 ±1
17 Gemini 3.5 Flash Lite 16 家中转站在卖 87 +1 86 0 87 ±1
18 Kimi 2.7 18 家中转站在卖 86 -4 90 -4 90 ±1
19 GPT-5.5 52 家中转站在卖 82 -9 91 -11 93 ±6
20 GPT 6.1 SolNEW 68 家中转站在卖 81 -10 91 -11 92 ±6
21 Claude Opus 4.8 62 家中转站在卖 78 -7 85 -9 87 ±7
22 Claude Sonnet 4.6 60 家中转站在卖 78 -10 88 -12 90 ±11
23 Claude Opus 4.7 60 家中转站在卖 75 -17 92 -18 93 ±12
24 Claude Opus 4.6 60 家中转站在卖 73 -15 88 -16 89 ±13

趋势覆盖 09-28 – 10-28（共 31 天），缺测的日子在折线里断开。 「较近期」比的是近期常态，「较发布时」比的是发布时得分；两者为正说明比参照值更好。

分项基准榜

SUB-SCORES推理 · 代码 · 工具调用 · 稳定性
每个分项取前 10 名

评分方式与边界

METHOD怎么看这份榜单

分数怎么来的

  • 分数由持续运行的自动化测试得出，不同题型各自的测试节奏不同；分数只反映测试时点的表现。
  • 每项测试内部按 7 个维度打分，再加权汇成 0–100 的综合分；置信区间给的是这一轮分的波动范围。
  • 页面标注这一轮数据的日期；榜单覆盖 24 款主流模型。
  • 趋势覆盖最近 31 天，更早的历史也在持续累积。

怎么用才不误判

  • 单日排名会大幅波动，看 30 天趋势与「较发布时」的长期变化比看当天名次可靠。
  • 「较近期」为负且幅度大，才是值得复核的下滑；小幅负值属于正常抖动。
  • 各榜题库与判分方式不同，本页的分数不能和别的榜单互相换算。
这些分数是怎么来的？

分数来自持续运行的自动化测试，不同题型各自的测试节奏不同；每项测试内部按 7 个维度打分，再汇成 0–100 的综合分，也就是本页说的「智商」。页面顶部标注这一轮数据的日期。

什么是「降智」？

同一个模型、没换版本，表现却比自己平时的水平明显变差——比如平时考 72 分，突然只考 42 分。常见原因是服务方在高峰期悄悄降低算力，或把请求路由到了更便宜的通道。测试用统计学的突变点检测算法（CUSUM 与 Page-Hinkley）盯这种下滑，几小时内就能发现，不用等好几天。下滑用「较近期」相对「近期常态」的差值来标识，信号速览里列出掉得最狠的一个。

Codex 降智、Claude 降智了，能在这里看吗？

能，这一页本身就是降智雷达：同时盯着 Claude、Codex（GPT）、Gemini、DeepSeek、Kimi 等主流模型，谁低于自己的近期常态、掉了多少、趋势怎么走，看「较近期」列与 30 天趋势就清楚。想再从真实开源工程题的通过率验一遍，可以对照「众测榜」。

这些分数对应什么时点？

分数只反映测试时点的表现，页面顶部与概况条都标注这一轮数据的日期。趋势覆盖最近 31 天，更早的历史也在持续累积。

这份综合分和其它榜单有什么区别？

本页是跨厂商的综合能力分，用来盯整体水平和降智；「众测榜」看的是真实开源工程题的通过率，「AI 模型评测」看的是单个公开基准的原始跑分，「AI 服务监控」看的是各平台可用率。四者的题库与判分方式不同，不能互相换算。

为什么分数每天变动这么大？

部分日期的分数为估算和插值，单日分数会大幅波动，榜单一天内洗牌是常态。看单日排名的意义不大，建议看 30 天趋势与「较发布时」的长期变化。

这些分数能代表模型的真实水平吗？

只能作参考。它反映的是「同一套题下的相对表现」，横向对比和盯降智比看绝对分更有意义。选模型仍要结合自己的实际用途实测，另有模型质量检测与 API 速度测试工具可用。

这里的分数仅供选型参考，请结合实际用途实测。

分数来自持续运行的自动化测试，数据日期 2026-10-28 13:43。