物理工程新基准放榜:Claude Opus 5.5 得 48.3% 居首

teortaxesTex · x · 2026-10-24

yufanzhuang 发布「Physical-Engineering's Last Exam」基准,考察模型在真实工程任务上的表现:Claude Opus 5.5 以 48.3% 排第一,GPT 6 Astra 45.8%、Gemini 4 Argon 40.6%、Grok 4.7 仅 30.1%。论文、排行榜与代码均已公开。

teortaxesTex 指出这一排名基本符合预期,并附上完整榜单:Sonnet 5.5 达 43.5% 超过 Gemini 4 Argon,开源阵营中 GLM 5.2 拿到 25.0%,DeepSeek-V4.1-Flash 为 14.4%,而 Llama 4 Maverick 仅 0.7% 垫底。他推测空间负载重的任务天然偏好高激活参数量的模型,期待后续 V4.1 与 K3.1 的成绩。