服务可用性
官方状态页记录的错误、延迟、限流和局部故障。它只能说明服务情况，不能说明模型能力变弱。
模型状态观测 · 带日期的历史快照
先判断是服务故障，还是能力真的回退
服务状态、同任务能力测试和社区体验必须分开看；本页不是实时监控，任何一条也不能单独证明模型“降智”。
三条信号不能混算
“今天不好用”至少有三种原因
能力回归
同一任务集、模型版本、推理档、工具与评分方法的重复测试，并需要样本量和显著性判断。
体验信号
社区关于速度、风格、拒答或额度的反馈。只能帮助发现问题，不能单独宣布“降智”。
第三方编程能力观测
Claude Code 与 Codex，分开看才有意义
两边的模型、工具、任务集和分数口径不同。先选你正在使用的工具，再看它自己的历史；本站不会把两套数字拼成总榜。先选具体模型不要把 Claude 家族合成一条曲线
Fable、Opus 5、Opus 4.8、Sonnet 和 Mythos 的版本、推理档与可用范围不同。每个标签只显示自己的证据。
来源当前结论
未发现统计显著下降
日、周、月三个窗口都没有越过来源设定的显著性阈值。
最新日测是 78%，较 73% 基线高 5.0 个百分点； 日测样本只有 50 题，要超过 ±13.0 个百分点才达到来源的显著性门槛。
如果只是今天突然难用，先检查 Claude 官方服务状态用于判断变化是否超出正常波动
较基线 +5.0 个百分点 · 未达显著性
较基线 +0.8 个百分点 · 未达显著性
较基线 -1.1 个百分点 · 未达显著性
- 测试对象
- Claude Code CLI + Opus 4.8
- 任务集
- SWE-Bench Pro 精选任务集
- 统计口径
- 95% 置信区间 · p < 0.05
怎样读：优先看 7 天和 30 天窗口；单日只有 50 题，波动会更大。只有来源标为统计显著，才值得进入“疑似回归”的下一轮复核。
边界：这是 Claude Code CLI 与 Opus 4.8 的组合观测，模型与工具任一更新都可能改变结果；它不代表 Claude 网页版、API 或通用智力。
补充证据 · 同任务多档
Opus 4.8 的推理档分别看
同页另有 Margin Lab 的日、周、月连续观测；这里仅保留跨模型同任务历史快照。
60/ 150 任务分
通过 4 / 7 个有效任务 · 3 个基础设施无效样本
- 本轮任务费用
- $43.59
- 串行总耗时
- 5.9 小时
- 有效观测轮次
- 3 次
75/ 150 任务分
通过 5 / 10 个有效任务
- 本轮任务费用
- $32.36
- 串行总耗时
- 2.4 小时
- 有效观测轮次
- 8 次
60/ 150 任务分
通过 4 / 9 个有效任务 · 1 个基础设施无效样本
- 本轮任务费用
- $24.82
- 串行总耗时
- 1.7 小时
- 有效观测轮次
- 2 次
怎样读：固定 10 题，每通过 1 题计 15 分，满分 150。不同推理档的日期和观测轮次并不完全相同，不能只看最高分宣布唯一冠军。
当前边界：Claude Code 在固定 10 题任务集上的分模型、分推理档历史快照，不代表网页端、API 或通用智力。来源暂停期间只保留最后可靠快照，不宣称实时。
GPT-5.6 Sol max
max100.9观测分
- 平均费用
- $9.60
- 平均耗时
- 37 分钟
- 任务通过
- 75 / 112
近 18.2 小时观测 -6.9 分 · 样本 +3
GPT-5.6 Sol xhigh
xhigh91.2观测分
- 平均费用
- $6.84
- 平均耗时
- 27 分钟
- 任务通过
- 66 / 109
近 18.2 小时观测 -4.6 分 · 样本 +2
GPT-5.6 Sol high
high96.4观测分
- 平均费用
- $5.33
- 平均耗时
- 23 分钟
- 任务通过
- 71 / 111
近 18.2 小时观测 +4.6 分 · 样本 +6
GPT-5.6 Sol medium
medium88.8观测分
- 平均费用
- $3.45
- 平均耗时
- 18 分钟
- 任务通过
- 66 / 112
近 18.2 小时观测 +5.9 分 · 样本 +3
GPT-5.6 Sol low
low77.4观测分
- 平均费用
- $1.98
- 平均耗时
- 12 分钟
- 任务通过
- 57 / 111
近 18.2 小时观测 +6.3 分 · 样本 +5
GPT-5.6 Terra max
max97.7观测分
- 平均费用
- $4.54
- 平均耗时
- 30 分钟
- 任务通过
- 72 / 111
近 18.2 小时观测 +2.3 分 · 样本 +21
GPT-5.6 Terra high
high73.3观测分
- 平均费用
- $1.34
- 平均耗时
- 13 分钟
- 任务通过
- 54 / 111
近 18.2 小时观测 -1.2 分 · 样本 +18
GPT-5.6 Luna max
max81.6观测分
- 平均费用
- $2.37
- 平均耗时
- 34 分钟
- 任务通过
- 59 / 109
近 18.2 小时观测 -11.0 分 · 样本 +13
GPT-5.6 Luna high
high61.1观测分
- 平均费用
- $1.09
- 平均耗时
- 18 分钟
- 任务通过
- 45 / 111
近 18.2 小时观测 +1.5 分 · 样本 +20
GPT-5.5 high
high82.8观测分
- 平均费用
- $3.55
- 平均耗时
- 18 分钟
- 任务通过
- 61 / 111
近 18.2 小时观测 -4.9 分 · 样本 +1
怎样读：分数用于观察同一任务体系下的模型与推理档；费用和耗时均为来源站单题平均值。约 1 分差异、任务数变化或单日波动都不应解读为确定回退。
来源容错：正常只读取 Codex 雷达公开摘要；主来源失败时才切换到分布式雷达上游，不在同一次正常采集中重复请求。
已通过准入 · 官方状态
OpenAI、Claude 与 Kimi 分别保留自己的口径
一个来源失败时，其他来源继续读取；失败项沿用上次可靠结果并明确标记，不用空数据覆盖。OpenAI 官方状态
All Systems Operational
- 来源更新时间
- 2026/07/10 03:25
- 未关闭事件
- 0 项
- 采集状态
- 本次已读取
Claude 官方状态
All Systems Operational
- 来源更新时间
- 2026/07/23 17:23
- 未关闭事件
- 1 项
- 采集状态
- 沿用上次可靠结果
本次说明：官方状态接口本次读取或字段校验失败
查看局部事件
Microsoft Office add-in availability · identified · 2026/07/23 05:12
Kimi 官方状态
Partial System Outage
- 来源更新时间
- 2026/07/31 17:25
- 未关闭事件
- 0 项
- 采集状态
- 本次已读取
第二方法 · 外部参考
换一种任务集，再交叉检查
不同来源的任务集、工具和评分口径不同。下列结果不会与上面的两条观测混算，查看时以原站最新数据为准。外部实时参考
查看来源站实时数据Margin Lab Codex Tracker
Codex CLI + 模型组合的每日 SWE-Bench Pro 信号
未来宣布“疑似回归”之前
至少同时满足四个条件
- 同一任务、模型版本、推理档、provider 与工具环境可比
- 样本量与误差足以区分正常波动，不用单日点估计吓人
- 至少一个第二方法或连续多日结果支持同一方向
- 服务事故、限流与评测环境变化已经被单独排除