评测来源

Terminal-Bench 4.0 · AA ↗

在命令行环境里独立完成一整件工程任务。

Artificial Analysis · 参与排名

Terminal-Bench 4.0 · Vals ↗

Vals 用同一套 Agent 流程给所有模型复跑 Terminal-Bench 4.0。

Vals AI · 参与排名

LiveBench · 编程综合 ↗

Coding + Agentic Coding 两项均分，各占 50%。

LiveBench · 参与排名

SciCode · AA ↗

把物理、化学、生物等科研问题写成能运行的计算代码。

Artificial Analysis · 参与排名

Code Migration ↗

把整套程序从一种语言或框架迁移到另一种。

Vals AI · 参与排名

ProgramBench ↗

只给可执行文件，从零重写出行为相同的程序。

Vals AI · 参与排名

Vibe Code Bench v1.1 ↗

从需求搭建网页应用，检查实际功能。

Vals AI · 参与排名

Vibe Code Bench 1–100 ↗

在已有应用上连续开发，同时保持旧功能。

Vals AI · 参与排名

CyberBench Patch v1.1 ↗

修补真实开源项目的安全漏洞。

Vals AI · 参与排名

DeepSWE v1.1 ↗

在统一的编程助手环境里改仓库、修缺陷，比较的是写代码的模型本身。

DataCurve · 参考来源

MirrorCode ↗

长时间的软件复现

Epoch AI · 参考来源

TapTap Maker ↗

在真实游戏引擎里用 Lua 写出能跑起来的功能。分数由引擎执行判定，不用另一个模型打分。

TapTap Maker · 参考来源

保留模型搭配不同 Agent 在终端任务中的原始成绩，供交叉核对。

Harbor / Terminal-Bench · 参考来源

根据业务资料构建并测试能工作的客户服务代理。

Sierra · 参考来源

持续收集真实仓库问题，比较模型在多种编程语言中的软件修复能力。

Nebius · 参考来源

在较长时间内持续使用终端，完成复杂工程与工具任务。

Tencent HY / Lehigh 等 · 参考来源

真实仓库任务的质量、测试与修改范围

Cognition · 参考来源

长时间运行的工程实现与研究任务

Proximal Labs · 参考来源

在陌生数据上实现机器学习方案

WeirdML · 参考来源

HLE · AA ↗

横跨学科的专家级难题，不用工具作答。

Artificial Analysis · 参与排名

FrontierMath v2 · Tiers 1–3 ↗

研究级数学推理

Epoch AI · 参与排名

LiveBench · 推理与数学 ↗

Reasoning + Mathematics 两项均分，各占 50%。

LiveBench · 参与排名

CritPt · AA ↗

研究级物理问题，考验专业推导。

Artificial Analysis · 参与排名

Chess Puzzles ↗

根据文字棋局寻找正确走法

Epoch AI · 参与排名

Mystery Game Puzzles ↗

从陌生规则推导正确行动

Epoch AI · 参与排名

MysteryMechanism ↗

自己设计实验，去推断一套隐藏的规律。

Vals AI · 参与排名

Terminal-Bench Science · Vals ↗

在终端完成科学工作流与分析。

Vals AI · 参与排名

Terminal-Bench Science · AA ↗

在终端完成科学工作流与分析。

Artificial Analysis · 参与排名

FrontierMath v2 · Tier 4 ↗

更高难度的数学研究题

Epoch AI · 参考来源

横跨学科的高难度学术知识与推理。

CAIS / Scale AI · 参考来源

用日常常识和逻辑问题，检验模型能否识别问题中的实际约束。

SimpleBench · 参考来源

用 Lean 验证数学证明

MathArena / ETH Zurich · 参考来源

发现和修复数学证明中的错误

MathArena / ETH Zurich · 参考来源

从近期数学论文提炼的新题

MathArena / ETH Zurich · 参考来源

从陌生规则中学习和泛化

ARC Prize · 参考来源

从陌生规则中学习和泛化

ARC Prize · 参考来源

GDPval-AA ↗

按真实职业交付件出题，两两比较产出质量。

Artificial Analysis · 参与排名

AA-Briefcase ↗

办公知识工作的长任务，两两比较交付结果。

Artificial Analysis · 参与排名

AutomationBench · AA ↗

跨办公软件完成一整条业务自动化流程。

Artificial Analysis · 参与排名

Vals Finance Agent ↗

金融分析师的日常办公题，看研报、建模这类工作做得怎样。

Vals AI · 参与排名

APEX-Agents 1.1 ↗

投行、咨询和法律里的长任务，看模型当助手能不能把一件完整的工作做完。

Mercor · 参与排名

Harvey Legal Agent Benchmark ↗

处理法律资料并交付 Word、Excel、幻灯片等可审阅文件。

Vals AI / Harvey · 参与排名

τ³-Banking · Mercor ↗

在统一工具环境里办理银行客服业务：查政策、找产品、改账户。

Mercor · 参与排名

LiveBench · 数据分析 ↗

表格重排、列类型标注、表连接预测等数据处理任务。

LiveBench · 参与排名

MedCode ↗

根据住院记录给出医疗诊断编码。

Vals AI · 参与排名

AA-Analyst Agent ↗

可靠地分析数据并回答专业问题。

Artificial Analysis · 参与排名

τ³-Banking ↗

在统一工具环境中办理银行业务，检验规则理解、客户沟通与任务完成。

Sierra · 参考来源

跨办公软件完成自动化工作

Zapier · 参考来源

从大量真实财务文件中检索、计算并回答问题。

Databricks · 参考来源

通过真实 MCP 服务检索资料、操作文档与数据库，完成跨软件任务。

Scale AI · 参考来源

完成金融定价、资本计算和风控任务，用数值与代码执行结果核验。

FinanceBenchmark · 参考来源

回答真实法律工作中的复杂问题，检验专业判断和论证质量。

Scale AI · 参考来源

回答真实金融决策问题，检验专业判断、推导和风险说明。

Scale AI · 参考来源

完成财务建模、修复工作簿和数据可视化的整套表格工作。

SpreadsheetBench / Renmin University / AfterQuery · 参考来源

经营模拟商店一年，处理采购、谈判、库存与定价。

Andon Labs · 参考来源

EBR-bench ↗

在长任务中学习新规则并使用记忆

Epoch AI · 参考来源

Excel · EMB ↗

表格编辑与 Excel 办公

Vals AI · 参考来源

Legal Research ↗

法律检索和论证

Vals AI · 参考来源

TaxAgentBench ↗

税务专业问题

Vals AI · 参考来源

MedScribe ↗

临床记录整理与撰写

Vals AI · 参考来源

BioMysteryBench ↗

生物学研究推理

Vals AI · 参考来源

在终端里完成科研任务

Harbor · 参考来源

AA-Omniscience ↗

事实问答，答错倒扣、拒答不扣，看模型知道什么、会不会乱编。

Artificial Analysis · 参与排名

SimpleQA Verified ↗

短问题的事实准确性

Epoch AI · 参与排名

AA-LCR ↗

读很长的文档后，回答需要综合推理的问题。

Artificial Analysis · 参与排名

LiveBench · 语言与指令 ↗

Language + IF 两项均分，各占 50%。

LiveBench · 参与排名

识别问题里的错误前提，观察模型会不会顺着错误继续编造。

Peter Gostev / BullshitBench · 参与排名

MLCR-AA ↗

准确、完整且简洁地理解医疗长记录。

Artificial Analysis · 参与排名

GPQA Diamond ↗

研究生水平的物理、化学与生物知识

Epoch AI · 参考来源

不借助搜索工具回答世界事实问题，检验模型自身知识的准确性。

Google DeepMind / Kaggle · 参考来源

Arena Text ↗

真人匿名两两比较回答，看大家更愿意读哪一个。补上选择题看不出的整体体验。

LMArena · 参与排名

AA Index ↗

把多项当前评测放到同一套环境里复跑，得到一个综合能力分。价格只作参考，不进总分。

Artificial Analysis · 参考来源

LiveBench ↗

题库持续更换，答案可以自动核对。用来看模型换题之后还能不能站住。

LiveBench · 参考来源

Arena WebDev ↗

同样是真人盲选，比的是网页好不好用、能不能交付。

LMArena · 参考来源

Arena 创作盲选 ↗

真人盲选故事、诗歌和其他创意表达，观察作品是否吸引读者。

LMArena · 参考来源

Creative Writing v3 ↗

短篇创作与表达

EQ-Bench · 参考来源

Longform Writing ↗

长篇故事的连贯性与完整性

EQ-Bench · 参考来源

EQ-Bench 4 · 情绪与人际理解 ↗

在多轮交流中理解人物情绪、隐含需求与不同的沟通偏好。

EQ-Bench · 参考来源

把固定人物、情节与风格要求自然写进一篇完整短篇小说。

Lech Mazur · 参考来源

按指定作者文风写视频脚本，考查开场、结构、表达与口播节奏。

Towards AI · 参考来源

面向不同视频频道写脚本，比较故事组织、文风、节奏与清晰度。

TubeLab · 参考来源

帮助作家改写、续写、总结、翻译和整理创作想法。

Novelcrafter · 参考来源

真人盲选网页、界面、图表和幻灯片的设计作品。

Design Arena / Intelligence · 参考来源

对照网页作品、可访问性和盲选偏好，观察不同工具下的设计表现。

OpenVibeEval · 参考来源

按相同提示盲选 SVG，考查视觉清晰度与图形表现。

SVGBench · 参考来源

Rapidata SVG ↗

真人比较模型生成的矢量图，直接评价视觉偏好。

Rapidata · 参考来源

Arena Vision ↗

真人盲选带图片的回答，观察视觉理解的实际体验。

LMArena · 参考来源

读图、计数、OCR 与图像信息提取

Roboflow · 参考来源

AA 中文／多语言 ↗

单独看中文和多语言表现，不再把英文综合能力重复算一次。

Artificial Analysis · 参考来源

含中文的 30 种语言，考查语法与翻译

RWS · 参考来源