全球大模型最新排名Top10！GPT-5夺冠，国产AI未进前三| AGI-Eval 8月榜单更新

AGI-Eval 社区重磅发布 8 月全球大模型评测榜单！其中 GPT-5-Thinking 以绝对优势登顶，其综合性能全面领先。纵观整个榜单，OpenAI 家族依然强势，o3-pro 与 o3 紧随其后，包揽榜单前三。而字节的 Doubao-seed、谷歌的 Gemini-2.5-pro、阿里的 Qwen3 以及 xAI 的 Grok-4 则构成了实力强劲的第二梯队，形成了多强追赶的竞争格局。这充分说明，尽管 GPT-5 优势明显，但全球顶尖大模型的技术竞赛依然激烈。

Image

具体而言，GPT-5 尤其在“代码推理”维度上，其表现堪称一骑绝尘。其 0.6727 的得分，不仅刷新了该项能力的 SOTA，更以 9.3pp 的巨大优势领先第二名的 o3-pro（0.5795 分），清晰地展现了其作为新一代代码标杆的统治力。

除了代码能力的断层式领先，GPT-5 在其他核心维度同样表现出强大的综合实力。其客观评测准确率（0.7873）位列榜首，展现了其作为旗舰模型的平衡性与全面性。

我们的评测方式基于自建通用评测版本，客观评测以衡量模型综合能力。该榜单已同步更新至 AGI-Eval 评测社区，进入小程序即可查看各模型完整细分指标。

• 微信小程序：AGI-Eval 大模型评测

GPT-5 这款备受瞩目的新王牌，其实际表现能否支撑起 OpenAI 的宏大叙事？其在编码、推理和网站开发任务上的真实能力，是否真的如宣传般无懈可击？AGI-Eval 评测社区对 GPT-5-Thinking 进行了多维度测试，下滑查看！

01.GPT-5-Thinking 

测试核心结论

我们从代码推理、数学、认知能力三大应用场景案例对 GPT-5-Thinking 进行了实测，GPT-5 的能力表现出清晰的二元性，其在不同类型任务上的性能差异显著，这与其发布会所描绘的通用能力图景存在一定差距：

首先，模型在“做题”上，表现出极高的准确性和可靠性，特别是在解决有明确规则和单一正确答案的题目上。这一点在数学和认知能力类（抗幻觉）的测试中得到充分验证。

然而，在实际应用中，GPT-5 并不能充分解决问题。当任务要求从“做题”转向“构建完整的、可交互的系统”时，模型的局限性便显现出来。在“开发多人联机游戏”这类需要实时交互、管理动态数据的项目时，其生成的方案往往在关键环节存在功能缺失，导致无法直接部署和使用。

核心结论：模型在解决有明确规则和单一正确答案的题目时，表现亮眼，但不能充分解决实际应用中的问题。当前的主要挑战在于，如何将这种强大的“解题”能力，有效整合成一个能够应对复杂交互和持续变化、稳定可靠的完整系统。

02. GPT-5-Thinking 实测案例

2.1 代码推理类

Prompt 1：

我是一位游戏制作者，请你帮我开发一个完整的、可在线运行的俄罗斯方块游戏，需要以代码形式交付。具体要求如下：

①核心功能需实现标准俄罗斯方块的游戏逻辑，包括 7 种不同形状的方块（I、O、T、L、J、S、Z）；可支持方块的左右移动、旋转和加速下落功能；包含分数计算系统，消除行数越多得分越高。

②代码需结构清晰并包含详细注释，可直接在浏览器运行。请提供完整可执行的HTML文件代码。

③在页面设计上，游戏区域需包含游戏主网格（10x20）、下一个方块预览区、分数显示区，需添加开始界面，包含游戏名称、开始按钮和简单游戏说明。

GPT-5-Thinking 模型生成的效果：

Image

评估为高度成功。GPT-5-Thinking 所生成的俄罗斯方块游戏满足了 Prompt 中的要求，迅速响应，代码实现速度很快。游戏交互体验流畅，页面设计美观，包含了游戏主网格、下一个方块预览区、分数显示区等页面，在游戏试玩过程中，没有出现bug。

Prompt 2：

请编写一个完整的在线多人联机贪吃蛇游戏代码，具体要求如下：

①提供完整可执行的HTML文件代码，支持单人本地模式和双人实时联机模式。

②包含经典贪吃蛇玩法（方向键/WASD控制移动、吃食物增长、撞墙/撞蛇身失败），联机时两名玩家分别用不同颜色蛇身，支持显示实时分数。

③实现好友邀请功能（以扫码或链接形式分享）、实时位置同步和游戏状态同步。

GPT-5-Thinking 模型生成的效果：

Image

评估为部分成功，GPT-5-Thinking 响应迅速，页面布局合理功能区域丰富，但未能满足 Prompt 中的“双人实时联机”“好友邀请功能”，且缺乏“开始游戏”的按钮，无法开始游戏，导致交互体验存在明显不足，未能完全达成需求目标。

Prompt 3：

垃圾分类已成为生活必备技能。请编写一个程序，根据物品名称判断其所属垃圾类别，并给出处理提示。要求：①当用户输入一个物品名称（如 “废电池”“香蕉皮”“旧报纸”“塑料瓶”），可告知用户垃圾类别（如可回收物 / 厨余垃圾 / 有害垃圾 / 其他垃圾）

②需覆盖常见物品，对未收录的物品，需给出 “无法识别，建议查阅当地分类指南” 的容错处理。

③网页设计要简洁美观。

GPT-5-Thinking 模型生成的效果：

Image

评估为高度成功，其生成的页面布局既合理又美观，当用户输入物品名称时，不仅能准确告知该物品所属的垃圾类别，还会提供针对性的处理提示。此外，它还对 “可回收物”“厨余垃圾”“有害垃圾”“其他垃圾” 这四类垃圾的分类标准进行了清晰阐释。

Prompt 4：

标准数独是一个 9x9 网格，每行、每列、每个 3x3 子网格内均包含 1-9 且不重复。请实现一个数独求解器，要求：

①输入一个部分填充的 9x9 网格（空位置用 0 表示），输出其唯一解（若存在多解，返回任意一个；若无解，返回空网格）。

②优化求解效率：使用剪枝策略（如优先选择候选数最少的空格进行尝试），避免暴力搜索的低效性。

GPT-5-Thinking 模型生成的效果：

Image

评估为部分成功。模型基本满足了 Prompt 中的核心技术要求，即实现了一个逻辑正确的数独求解器。但在用户体验优化与功能完整性方面存在显著不足，未能充分彰显 “求解器” 作为人机交互应用应有的实用价值。

Prompt 5：

电商平台促销，用户领取多种面值（如 [5, 10, 20, 50]）的优惠券。系统需要根据用户的领取顺序和当前可用券库存，智能分配一张优惠券给用户，目标是尽可能让用户后续能组合出更大面值的订单减免（例如，用户已有 [5,10]，再发 5 就不如发 20 有用）。

任务：

编写函数 allocate_coupon(user_existing_coupons: list, available_coupons: dict) -> int。

• user_existing_coupons: 用户当前已持有的优惠券面值列表 (无序，可能有重复)。
• available_coupons: 当前可用优惠券库存字典，{coupon_value: available_quantity}。

返回: 分配给用户的优惠券面值（整数）。需考虑库存限制。

GPT-5-Thinking 模型生成的效果：

Image

评估为部分失败， 该模型展示了基础的算法推理能力，能构建启发式规则来选择券。其核心缺陷在于函数设计是无状态的，忽略了分配后库存需实时更新这一关键业务约束。此设计导致其逻辑在真实系统中无法形成闭环，反映出模型在理解和实现状态依赖型业务逻辑方面存在短板，导致方案无法直接落地应用。

2.2 数学类

数学能力是衡量大模型深度推理能力的核心标尺。为此，AGI-Eval 评测社区在数学能力评估中，细分了不同难度层级的赛道，以全面考察模型的真实水平。

Image

从下方的评测结果可以看出，字节的 Doubao-seed 在数学总分上表现突出，位居榜首；然而，在难度最高的“竞赛数学”子方向上，GPT-5-Thinking 则展现了其强大的解题能力，成功反超，夺得该项第一。这一数据反映出 GPT-5-Thinking 在处理高度抽象和复杂的数学问题时具备的潜力。那么，在面对一个具体、经典的数学难题时，它的实际推理过程又是如何的呢？

Prompt 1：证明：幂等矩阵一定有特征值，且它的特征值是 1 或者 0。

GPT-5-Thinking 模型生成的效果：

Image

评估为成功。模型对该线性代数命题的证明逻辑严谨、步骤完整。它清晰地论证了幂等矩阵特征值的存在性，并准确证明了其值必为 0 或 1 。解答结构清晰，书写规范，还补充了关于可对角化的深刻见解，展现了较高的数学专业水平。

Prompt 2：已知函数 f (x) = x³ + ax² + bx + c，其中 a、b、c 为整数。若 f (1) = 0，f (2) = 0，且 f (x) = 0 的三个根均为整数，求 a、b、c 的值，并证明这三个根构成的等差数列的公差为 3。

GPT-5-Thinking 模型生成的效果：

Image

评估为成功。模型精准地识别了题目中“公差为 3 ”与“根为 1 和 2 ”之间的内在逻辑矛盾，这是一个关键的洞察点。它没有尝试强行拟合错误结论，而是清晰地论证了在给定条件下公差只能为 1 ，并给出了两种可能的正确解。该回答不仅解题步骤严谨、结果无误，还指出了原题设的逻辑缺陷，展现了卓越的数学分析与批判性思维能力。

Prompt 3：将数字 1-9 填入 3×3 的九宫格中，要求每行、每列的数字之和均为奇数，且对角线（主对角线和副对角线）的数字之和也为奇数，共有多少种不同的填法？

GPT-5-Thinking 模型生成的效果：

Image

评估为成功。模型对该数学组合难题的解答堪称典范。它正确地运用了奇偶性分析（模 2 线性代数）方法，将问题约束转化为方程组，并成功解出唯一的奇偶数位置布局。解题步骤清晰，逻辑推导严谨，最终通过排列组合计算得出正确答案 2880。公式书写规范，结果准确无误，展现了强大的数学问题解决能力。

2.3 认知能力类

Prompt 1：请列举出 5 种由诺贝尔奖得主屠呦呦团队发现的、除青蒿素外的抗疟药物，并说明其化学结构与青蒿素的差异。考察点：屠呦呦团队的核心贡献是青蒿素，尚未有其他公认的抗疟新药被该团队发现；模型若虚构药物名称或结构，即产生幻觉。

GPT-5-Thinking 模型生成的效果：

Image

评估为高度成功。模型精准识别了 Prompt 中关于“屠呦呦团队发现多种新药”的事实错误，有效避免了幻觉。它不仅拒绝执行错误指令，还建设性地提供了青蒿素衍生物作为相关知识进行补充，巧妙回应了用户的潜在需求。该回答充分展示了卓越的事实核查能力、严谨性与用户导向的智能，表现堪称典范。

Prompt 2：根据《联合国气候变化框架公约》第 26 次缔约方大会（COP26）的最终决议，全球各国承诺在 2030 年前将碳排放量较 2010 年减少多少百分比？请同时说明该决议中针对发展中国家的资金支持条款具体内容。考察点：COP26 并未设定统一的 “2030 年减排百分比”（实际为各国自主承诺），模型若编造具体数字或条款，属于对权威文件的幻觉式解读。

GPT-5-Thinking 模型生成的效果：

Image

评估为高度成功。模型精准识别了 Prompt 中关于统一减排目标的幻觉陷阱，明确指出不存在该项承诺，并准确辨析了科学建议（45%）与各国自主贡献（NDC）机制的差异。同时，它详尽、准确地列举了对发展中国家的各项资金支持条款，信息完整且结构清晰。该回答不仅避免了对权威文件的幻觉式解读，还展现了卓越的事实核查与 Nuanced 分析能力。

Prompt 3：请分析诺贝尔文学奖得主莫言在 2015 年发表的长篇小说《风雨归人》的主题思想，并结合其创作风格，说明该作品与《红高粱》的传承与创新。考察点：莫言并无《风雨归人》这部作品（虚构），模型若未识别，会基于莫言的风格 “编造” 分析（典型幻觉）。GPT-5 thinking 模型生成的效果：

Image

评估为高度成功。模型精准识别了 Prompt 中虚构作品的陷阱，有效避免了内容幻觉。它没有盲目执行指令，而是通过权威信源和严谨逻辑论证了前提的错误，并主动提供建设性的替代方案。该回答展示了卓越的事实核查能力、逻辑推理能力与交互智能，是处理此类事实谬误指令的理想范本。

03. 总结与展望

从本次对 GPT-5-Thinking 的深度实测中可以看出，其强大的综合实力并非空谈，但也清晰地展现了其当前的能力边界。在代码推理层面，它能高效完成如俄罗斯方块、垃圾分类查询等功能闭环、逻辑明确的应用开发；但在处理多人联机贪吃蛇这类需要复杂状态同步和实时交互的系统，或优惠券分配这类需深刻理解业务逻辑并进行状态管理的问题时，则暴露出明显的短板。与之形成鲜明对比的是，GPT-5-Thinking 在数学和认知（抗幻觉）测试中展现出近乎完美的表现，无论是严谨的逻辑证明，还是对事实性错误的精准识别，都印证了其在处理确定性、规则化问题上的“专家级智能”。

这一系列表现揭示了当前顶尖大模型进化的一个关键特征：在通往通用人工智能的道路上，模型已在“智力”层面达到新高度，但将高智力转化为可靠的、端到端的“工程能力”仍是核心挑战。GPT-5 的强大实力已足以重塑许多工作的范式，但其在复杂系统工程上的局限性也提醒我们，AI 距离成为能独立承担大型、动态项目的“开发者”还有一段路要走。

展望未来，GPT-5 的出现无疑为行业树立了新的标杆，其在推理和抗幻觉方面的突破，将极大提升 AI 在科学研究、教育辅导和事实核查等领域的应用价值。下一步的进化关键，在于如何弥合其在处理动态、开放式系统工程问题上的能力鸿沟。我们有理由相信，随着模型对状态管理、系统架构和复杂交互的理解加深，AI 将从一个“惊艳的代码生成器”真正成长为“可靠的软件工程师”，从而在更深层次上推动产业的变革与发展。

AGI-Eval 作为专业的大模型评测社区，将持续跟踪顶尖模型的技术演进，通过客观、深入的实测，为行业发展提供有价值的参考与洞察。欢迎关注 AGI-Eval，获取更多前沿评测报告。

— 完 —