OpenAI（GPT）、Google（Gemini）、Anthropic（Claude）的模型依推出日期回放：誰在領先、紀錄在哪一天被刷新。
截至資料截點 2026-10-08，各評測目前的最高分（點評測名稱可切換上方主圖）：
僅呈現已收錄且可查核的模型，不宣稱涵蓋所有模型。
主圖每個發布群組只取一種設定：本評測中、目前已收錄且可顯示的最高分設定（列名旁的小字即該設定）；這不是固定 max，也不代表各家算力相等。同分時依推理強度、來源主設定與 ID 決定。長條依分數排名，顯示截至該日的前幾名；同分時先推出者在前。上方三格與下方曲線是各家「截至該日」的最高分，所以只會持平或上升；某家推出較小的模型時，不會讓它的成績看起來倒退。
預設只用非估計分數。主圖略過缺測與未勾選的估計值，完整資料仍保留於模型明細；每個評測各自選取，不跨評測合併分數，不同評測分數不可直接互相比較。AA 綜合指數早期多為來源估計值，可在圖下方勾選「含來源估計值」，以斜紋長條標示，不視為實測。
播放時，每個有新模型的發布日會停留片刻，發布之間的空檔則快轉；動畫過渡不是每日測分，各模型使用目前快照的固定分數。
發布／可用日期決定進場時間，評測取得時間可能更晚。五筆日期已依官方可用時間校正；其他日期採 AA 目錄的發布群組日期，可能是公告、預覽或限制開放，不能一概視為公開正式推出。各推理設定共用群組日期，未逐一核對設定的可用日。
| 模型 | 發布／可用日期 | 分數／狀態 | 設定與日期依據 |
|---|
2026-10-08 補查 54 個 AA 公開模型頁面、71 個缺測格，未找到可安全補入同一設定與評測方法的新數值。缺值不代表模型從未被測試，也不代表其他地方絕對沒有成績。AA 的 116 格估計值原本就存在，開啟估計顯示並不是取得新的實測。
下列數字由模型供應商公布，題集、版本、推理設定或評判方法與 AA 主圖未能確認一致，保留作為補充。
| 官方版本／模型 | 評測與成績 | 條件差異與來源 |
|---|
GPQA 採 AA 的 198 題 Diamond 子集、四選一、pass@1。AA 將其移出綜合指數後仍有獨立報告，不可因部分欄位缺值就判斷未測試。其他推理設定的成績列於上方模型明細，主圖按目前評測選取最高分設定並明示；不同測試條件不合併。
此次為公開來源的有界補查；未建立帳號、API 金鑰或讀取付費資料，官方 API 文件的範例值也未作為最新成績。
看 benchmark 成績先問三件事：①測的是什麼能力（GPQA 是科學推理、HLE 是高難度學術問答、Arena 是人類偏好，不等於正確率）；②測試條件是否相同（推理強度、能否用工具、題庫版本）；③分數是實測還是估計。不同評測的分數不可直接比較；排行榜高分也不代表最適合你的任務，選模型還要一起看成本、延遲與資料安全。
把 OpenAI、Google、Anthropic 已收錄模型的評測分數，依模型推出日期排成時間軸回放。可切換 AA 綜合能力指數、GPQA Diamond、HLE、LiveBench、Arena 文字榜五種評測，看誰在領先、紀錄在哪一天被刷新。
不是。所有分數都來自同一份目前快照（AA 與 LiveBench 為 2026-10-08，Arena 為 2026-10-02 榜單），只是依推出日期回放，不代表當時的實測或排名。
三格與下方曲線是各家「截至當日的最高分」。這樣某家推出 Flash-Lite、nano 等較小的模型時，不會被誤看成整體退步；完整排名請看長條圖，按「顯示全部」可列出所有模型。
不行。GPQA Diamond 與 HLE 是答對率（%），LiveBench 是七類任務的平均分，AA 是綜合指數，Arena 是人類偏好評分（顯示 1000–1600 區間，不是百分比）。每個評測的尺度與條件不同，只能在同一個評測內比較。
缺測不等於零分，主圖直接略過，完整狀態列在「資料來源與模型明細」。AA 綜合能力指數的來源估計值預設隱藏，勾選「含來源估計值」後以斜紋長條標示，不視為實測。
Artificial Analysis 公開模型目錄與評測（AA 綜合指數、GPQA Diamond、HLE）、LiveBench 官方 2026-06-25 題庫版 CSV，以及 Arena 官方文字榜資料集（CC BY 4.0）。本站只做篩選、日期對映與視覺化，為獨立整理的比較工具，非官方網站。