GPT-5.1 vs GPT-4.5 评测对比

每条轴代表一个评测领域的平均水平，并统一映射到 100 分雷达坐标。

计算口径：同一模型在同一 benchmark 下先平均当前模式范围内的所有分数，不取最高分；再按评测领域对这些 benchmark 分数求平均。只纳入至少两个模型有数据的 benchmark，缺项不按 0 分处理。