LMArena · GPQA · SWE-bench · HLE · ARC-AGI · OSWorld · BFCL
AI 模型评测
1079 个模型在 23 项公开基准上的 3086 条成绩。每个数字都链接到原始出处，厂商自报的分数与官方榜单、独立评测分开标注。
3086 条成绩 1079 个模型 23 项基准 更新于 2026年10月22日
各项第一
每个核心基准当前成绩最好的模型。只计官方榜单、独立评测和汇编数据，厂商自报不参与。
LMArena Text Gemini 4 Argon 1525 人类偏好 GPQA Diamond Gemini 4 Argon 96.4% 科学 Humanity's Last Exam GPT-6 Astra 54.8% 知识 AIME (OTIS Mock AIME 2024–2025) Gemini 4 Argon 100.0% 数学 SWE-bench Verified Claude Opus 4.7 83.5% Agent 编程 Terminal-Bench 2.0 GPT-5.5 84.7% Agent 编程 OSWorld (Verified) Claude Sonnet 4.6 72.1% 电脑操作 τ²-bench Gemini 3.0 Pro 85.3% 工具调用与 Agent BFCL v4 (function calling) Claude Opus 4.5 77.5% 工具调用与 Agent MMLU-Pro Gemini 3.1 Pro 91.2% 知识
模型 × 基准矩阵
每格是该模型在该基准主设定下的最好成绩，优先采用官方榜单和独立评测；带 ◇ 的格子只有厂商自报或论文数据。点击列名排序，勾选模型可对比。
| 模型 | LMArena Text | GPQA Diamond | Humanity's Last Exam | AIME (OTIS Mock AIME 2024–2025) | SWE-bench Verified | Terminal-Bench 2.0 | OSWorld (Verified) | τ²-bench | BFCL v4 (function calling) | MMLU-Pro |
|---|---|---|---|---|---|---|---|---|---|---|
| GPT-5.2OpenAI | 1437 | 91.4% | 27.8% | 96.1% | 73.8% | 64.9% | — | 81.6% | 55.9% | 87.4% ◇ |
| Gemini 3 ProGoogle | 1486 | 92.6% | 37.5% | 91.4% | 77.4% | 69.4% | — | 75.9% | 72.5% | 90.1% ◇ |
| Claude Sonnet 4.5Anthropic | 1456 | 82.3% | 13.7% | 77.8% | 74.8% | 46.5% | 62.9% | 72.4% | 73.2% | — |
| GPT-5OpenAI | 1435 | 86.2% | 25.3% | 91.4% | 74.4% | 49.6% | — | 81.6% | — | 87.1% ◇ |
| o3OpenAI | 1432 | 81.8% | 20.3% | 84.4% | 62.3% | — | 23.0% | 73.9% ◇ | 63.0% | — |
| Claude Opus 4.5Anthropic | 1474 | 86.0% | 25.2% | 86.1% | 79.2% | 63.1% | 66.3% ◇ | 79.6% | 77.5% | — |
| Gemini 2.5 Pro (Jun 2025)Google | 1446 | 85.3% | 21.6% | 84.7% | 57.6% | 32.6% | — | — | — | 86.0% ◇ |
| Claude Sonnet 4Anthropic | 1402 | 79.2% | 7.8% | 68.9% | 76.8% | — | 43.9% | 80.5% ◇ | — | — |
| o4-miniOpenAI | 1391 | 79.6% | 18.1% | 81.7% | 64.6% | — | — | 68.3% | 53.2% | — |
| GPT-4.1OpenAI | 1415 | 66.9% | 5.4% | 38.3% | 48.5% | — | — | 74.0% | 54.0% | 81.8% ◇ |
| Claude 3.7 SonnetAnthropic | 1388 | 79.7% | 8.0% | 57.8% | 66.4% | — | 35.8% | 72.1% | — | 84.0% ◇ |
| Qwen2.5-72BAlibaba (Qwen) | 1303 | 49.1% | — | 8.1% | — | — | 5.0% | — | — | 71.6% ◇ |
| Claude Opus 4.7Anthropic | 1501 | 90.2% | 36.2% | 97.8% | 83.5% | 80.2% | — | — | — | — |
| GPT-5.4OpenAI | 1475 | 93.3% | 36.2% | 97.8% | 76.9% | 81.8% | — | — | — | 87.5% ◇ |
| Gemini 3.1 ProGoogle | 1487 | 94.4% | 46.4% | 95.6% | 75.6% | 80.2% | — | — | — | 91.2% |
| Claude Sonnet 4.6Anthropic | 1472 | 87.4% | — | 85.8% | 75.2% | 53.4% | 72.1% | — | — | — |
| Kimi K2.5Moonshot AI | 1450 | 87.6% | 24.4% | 92.2% | 73.8% | 43.2% | 63.3% | — | — | — |
| GPT-5.1OpenAI | 1456 | 87.6% | 23.7% | 88.6% | 68.0% | 47.6% | — | — | — | 86.4% ◇ |
| GPT-5 miniOpenAI | 1390 | 75.0% | 19.4% | 86.7% | 64.7% | 34.8% | — | — | 55.5% | — |
| Claude Opus 4Anthropic | 1426 | 76.3% | 10.7% | 64.4% | 70.7% | — | — | 81.4% ◇ | — | — |
| Gemini 1.5 Pro (Sept 2024)Google | 1351 | 57.2% | 4.6% | 23.1% | — | — | — | — | — | 70.3% |
| Claude 3.5 SonnetAnthropic | 1374 | 54.0% | — | 6.5% | 63.4% | — | — | — | — | 77.6% |
| GPT-4o (May 2024)OpenAI | 1346 | 48.9% | — | 6.3% | 38.8% | — | — | — | — | 72.5% |
| Claude 3 HaikuAnthropic | 1262 | 36.3% | — | 1.8% | 40.6% | — | — | — | — | 42.3% |
| GPT-4 Turbo (Nov 2023)OpenAI | 1325 | 42.4% | — | — | 22.4% | — | — | — | — | 63.7% |
| GLM-5Zhipu AI (Z.ai) | 1458 | 87.8% | — | 80.0% | 72.8% | 52.4% | — | 73.7% | — | 86.0% ◇ |
| Claude Opus 4.6Anthropic | 1504 | 90.5% | 34.4% | 94.4% | 78.7% | 79.8% | — | — | — | — |
| Gemini 3 FlashGoogle | 1473 | 89.4% | — | 95.6% | 75.8% | 64.3% | — | 76.8% | — | — |
| DeepSeek-V3.2DeepSeek | 1425 | 83.4% | — | 87.8% | 70.0% | 39.5% | — | 81.1% ◇ | — | 85.0% ◇ |
| Claude Haiku 4.5Anthropic | 1414 | 71.2% | — | 66.7% | 66.6% | 35.5% | — | — | 68.7% | — |
| GPT-5 nanoOpenAI | 1337 | 69.4% | — | 81.1% | 34.8% | 21.8% | — | — | 51.5% | — |
| Claude Opus 4.1Anthropic | 1450 | 76.8% | 11.5% | 68.9% | 73.3% | 38.0% | — | 82.4% ◇ | — | — |
| GPT-4.1 miniOpenAI | 1383 | 65.8% | — | 44.7% | 23.9% | — | — | 61.4% | 50.5% | — |
| Phi-4Microsoft Research | 1256 | 56.1% | — | 13.8% | — | — | — | — | 28.8% | 70.4% ◇ |
| Llama 3.3 70BMeta | 1318 | 47.4% | — | 5.1% | — | — | — | — | 31.9% | 65.9% |
| Gemini 1.5 Flash (Sep 2024)Google | 1309 | 47.3% | — | 16.3% | — | — | — | — | — | 64.1% |
| Llama 3.1-8BMeta | 1211 | 27.0% | — | 1.7% | — | — | — | — | 25.8% | 36.6% |
| GPT-4o miniOpenAI | 1318 | 37.7% | — | 6.9% | — | — | — | — | — | 63.1% |
| Claude 3 OpusAnthropic | 1322 | 47.2% | — | 4.7% | 15.8% | — | — | — | — | 68.5% |
| Gemini 3.8 FlashGoogle | 1497 | 95.4% | 44.5% | 98.9% | — | — | — | — | — | — |
全部基准
编程
LMArena WebDev持续更新 两个模型按同一需求各写一个网页应用，由用户投票选出更好的那个。 127 个模型 · 最高: 1813 LiveCodeBench近期未更新 持续从 LeetCode、AtCoder、Codeforces 收集带发布日期的编程题，可以只用模型训练截止日之后的新题来评分。 22 个模型 · 最高: 75.8% HumanEval / HumanEval+已饱和 OpenAI 2021 年发布的 164 道 Python 函数题。EvalPlus 为每题补充大量测试（HumanEval+），能识别“通过原测试但其实是错的”答案。 122 个模型 · 最高: 89.0%
综合
知识
Agent 编程
数学
抽象推理
电脑操作
工具调用与 Agent
采集方法
- 只读取官方数据文件和公开数据集（Hugging Face、GitHub、CSV 下载），不编造、不估算任何分数。
- 不同榜单里的模型名会归并到同一个模型页（例如带日期的版本、不同推理强度的变体）。
- 限制转载的榜单只引用前几名，或只放链接不复制。
- 数据由可重复运行的脚本更新，每次运行保留带日期的快照，可以按时间对比变化。
来源类型
- 官方榜单
- 基准维护方自己的官方榜单
- 独立评测
- 独立第三方亲自跑的评测（如 Epoch AI）
- 厂商自报
- 模型厂商自报或自行提交
- 论文 / 技术报告
- 论文或技术报告中的数字（多为厂商发布）
- 第三方汇编
- Epoch AI 汇编，未逐条注明原始出处
数据来源与许可
| 来源 | 许可 / 条款 | 本站使用方式 | 最近抓取 |
|---|---|---|---|
| LMArena leaderboard dataset LMArena, Arena Leaderboard Dataset (Hugging Face), CC BY 4.0 | CC BY 4.0 | 开放许可：完整收录并署名 | 2026年10月10日 ⚠︎ |
| Epoch AI Benchmarking Hub Epoch AI, 'Capabilities & benchmarking', https://epoch.ai/benchmarks (CC BY 4.0) | CC BY 4.0 | 开放许可：完整收录并署名 | 2026年10月22日 |
| SWE-bench leaderboards (swebench.com) SWE-bench team, swebench.com leaderboards | No explicit licence (NOASSERTION) – factual scores only, with citation | 无明确许可：只收事实性分数并注明出处 | 2026年10月22日 |
| LiveCodeBench leaderboard LiveCodeBench (Jain et al.), livecodebench.github.io | No explicit licence on the site repo (benchmark code MIT) – factual scores only, with citation | 无明确许可：只收事实性分数并注明出处 | 2026年10月22日 |
| EvalPlus leaderboard EvalPlus team, evalplus.github.io | Apache-2.0 (site repo) | 开放许可：完整收录并署名 | 2026年10月22日 |
| Berkeley Function Calling Leaderboard (BFCL) Gorilla / BFCL team, UC Berkeley | Apache-2.0 (gorilla repo) | 开放许可：完整收录并署名 | 2026年10月22日 |
| τ²-bench leaderboard submissions Sierra Research, τ²-bench | MIT (repo) | 开放许可：完整收录并署名 | 2026年10月22日 |
| MMLU-Pro leaderboard (TIGER-Lab) TIGER-Lab, MMLU-Pro leaderboard | Apache-2.0 (dataset) | 开放许可：完整收录并署名 | 2026年10月22日 |
| Hugging Face Open LLM Leaderboard v2 (archived) Hugging Face, Open LLM Leaderboard (archived 2025) | No licence tag – factual scores only, with citation | 无明确许可：只收事实性分数并注明出处 4576 rows in archive; 353 official-developer models kept | 2026年10月22日 |
| ARC Prize leaderboard ARC Prize Foundation, arcprize.org/leaderboard | ARC Prize Terms: no copying/aggregation for commercial purposes without permission | 有限制：只引用前几名 top 10 per set only (terms) | 2026年10月22日 |
| CMMLU leaderboard (GitHub README) Li et al., CMMLU (CC BY-NC-SA 4.0) | CC BY-NC-SA 4.0 | 有限制：只引用前几名 | 2026年10月22日 |
| C-Eval (GitHub README, initial release table) Huang et al., C-Eval | Code MIT; dataset CC BY-NC-SA 4.0 | 有限制：只引用前几名 | 2026年10月22日 |
| Artificial Analysis Artificial Analysis | Free API requires an API key and attribution; no open bulk data | 未采集：只放链接 | — |
| SuperCLUE CLUE / SuperCLUE | No open data interface | 未采集：只放链接 | — |
| Scale AI SEAL leaderboards (SWE-bench Pro, HLE) Scale AI | No open data interface | 未采集：只放链接 | — |
给 AI agent 用
同一份数据的 JSON 版本：带许可信息的基准元数据、每个模型的最好成绩，以及每项基准的成绩列表和来源链接。
/api/benchmarks.json/api/benchmarks/matrix.json/api/benchmarks/<id>.json/llms.txt
常见问题
现在哪个 AI 模型最强？
要看任务。人类偏好对战（LMArena）、科学问答（GPQA Diamond）、Agent 编程（SWE-bench、Terminal-Bench）、电脑操作（OSWorld）、工具调用（BFCL、τ²-bench）给出的排名经常不同。可以在矩阵里按基准类型筛选，再勾选模型并排对比。
为什么厂商自报的分数和榜单不一样？
厂商常用自己的提示词、agent 框架、工具权限或推理预算来测，并挑选要公布的设定；官方榜单和 Epoch AI 等独立评测对所有模型用同一套设定。本站给每个分数标注来源类型，方便区分。
SWE-bench Verified 还能用吗？
要谨慎看待。2026 年 2 月 OpenAI 宣布不再报告 SWE-bench Verified，理由是数据污染，且审查发现难题中大量测试有缺陷；之后它又提醒 SWE-bench Pro 约 30% 的题目可能有问题。分数还高度依赖 agent 框架。
Hugging Face Open LLM Leaderboard 还在更新吗？
不在了。它已于 2025 年归档、不再接受提交，没有新模型。本站将其标为“已归档”。
数据多久更新一次？
采集脚本会重新读取每个来源，并保存带日期的快照。每页顶部显示最近一次运行的日期，每个来源也标注了最近抓取时间。