按领域分类的 LLM 基准测试一览
按领域列出测量什么 / 类型 / 收录的模型数。
编程
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| 编程 | 编程问题上的评价 | 人类评价 | 387 |
| LCB (英语题目) | 新的编程竞赛题 | 任务成绩 | 68 |
| MirrorCode | 从头重写整个程序的长任务 | 任务成绩 | 10 |
| SWE-Bench verified | 修复真实 Python 缺陷的能力 | 任务成绩 | 32 |
| Aider polyglot | 用 6 种编程语言编辑代码 | 其他机构的公布值 | 55 |
| Terminal Bench | 在终端中完成的工作 | 其他机构的公布值 | 44 |
数学
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| 数学 | 有确定答案的数学题上的评价 | 人类评价 | 379 |
| AIME (英语题目) | 美国数学考试的题目 | 任务成绩 | 68 |
| FrontierMath 2025-02 | 未公开的数学题 (旧版) | 任务成绩 | 71 |
| FrontierMath Tier 4 2025-07 | 研究水平的数学题 (旧版) | 任务成绩 | 56 |
| FrontierMath Tier 4 v2 | 研究水平的数学题 | 任务成绩 | 71 |
| FrontierMath Tiers 1-3 v2 | 从本科高年级到研究入门的数学题 | 任务成绩 | 88 |
| MATH level 5 | 数学竞赛题中最难的一档 | 任务成绩 | 97 |
| MATH500 (英语题目) | 从数学竞赛题中选出的题目 | 任务成绩 | 68 |
| OTIS Mock AIME 2024-2025 | 模仿 AIME 的数学竞赛题 | 任务成绩 | 201 |
| ProofBench | 数学证明题 | 其他机构的公布值 | 81 |
知识与推理
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| 难题 | 难题上的评价 | 人类评价 | 392 |
| 英语难题 | 英语难题上的评价 | 人类评价 | 390 |
| 专业问题 | 专家级问题上的评价 | 人类评价 | 343 |
| GPQA (英语题目) | 生物 / 化学 / 物理的专家级选择题 (在与日语版相同条件下测量的英语版) | 任务成绩 | 68 |
| GPQA diamond | 生物 / 化学 / 物理的专家级选择题 (只选取专家才能答对的部分) | 任务成绩 | 221 |
| HellaSwag (英语题目) | 选出日常场景后续的题目 | 任务成绩 | 68 |
| MMLU-Pro (英语题目) | 覆盖广泛领域的高难度选择题 | 任务成绩 | 68 |
| SimpleQA Verified | 正确回答简短事实性问题的能力 | 任务成绩 | 83 |
| ARC-AGI-2 | 抽象的图形谜题 | 其他机构的公布值 | 91 |
| HLE | 最难的学术问题 | 其他机构的公布值 | 45 |
写作
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| 创作 | 创作请求上的评价 | 人类评价 | 390 |
| 多轮对话 | 多轮对话上的评价 | 人类评价 | 390 |
| 长问题 | 较长问题上的评价 | 人类评价 | 370 |
| 遵循指令的能力 | 能否遵循细致指令的评价 | 人类评价 | 392 |
| Lech Mazur Writing | 短篇小说的评分 | 其他机构的公布值 | 43 |
智能体与文档
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| APEX-Agents | 专业岗位的工作任务 | 其他机构的公布值 | 51 |
| DeepResearch Bench | 通过网络调查来作答的任务 | 其他机构的公布值 | 25 |
| Fiction.LiveBench | 长篇故事的阅读理解 | 其他机构的公布值 | 39 |
| GDP.pdf | PDF 的阅读理解 | 其他机构的公布值 | 39 |
| OSWorld 2.0 | 操作电脑屏幕 | 其他机构的公布值 | 9 |
| The Agent Company | 模拟公司业务的任务 | 其他机构的公布值 | 14 |
日语与其他语言
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| 波兰语 | 波兰语问题上的评价 | 人类评价 | 213 |
| 德语 | 德语问题上的评价 | 人类评价 | 291 |
| 俄语 | 俄语问题上的评价 | 人类评价 | 356 |
| 法语 | 法语问题上的评价 | 人类评价 | 279 |
| 韩语 | 韩语问题上的评价 | 人类评价 | 261 |
| 日语 | 日语问题上的评价 | 人类评价 | 262 |
| 西班牙语 | 西班牙语问题上的评价 | 人类评价 | 279 |
| 英语 | 英语问题上的评价 | 人类评价 | 392 |
| 英语以外 | 英语以外问题上的评价 | 人类评价 | 392 |
| 中文 | 中文问题上的评价 | 人类评价 | 369 |
| GPQA (日语版) | 生物 / 化学 / 物理的专家级选择题 (日语版) | 任务成绩 | 68 |
| JamC-QA | 关于日本文化和生活知识的选择题 | 任务成绩 | 68 |
| JHumanEval | 根据日语说明编写的 Python 代码 | 任务成绩 | 68 |
| MIFEvalJa | 遵循日语指令的任务 | 任务成绩 | 68 |
| MIFEvalJa (和英语任务一起测得的值) | 遵循日语指令的任务 | 任务成绩 | 68 |
| MMLU-ProX (日语版) | 覆盖广泛领域的高难度选择题 (日语版) | 任务成绩 | 68 |
| PolyMathJaHT | 高难度数学题 (日语) | 任务成绩 | 68 |
| WMT20enja | 从英语到日语的翻译 | 任务成绩 | 68 |
| WMT20jaen | 从日语到英语的翻译 | 任务成绩 | 68 |
行业
其他
| 基准测试 | 测量什么 | 类型 | 模型数 |
|---|---|---|---|
| 综合 | 根据全部投票得出的综合评价 | 人类评价 | 392 |
| 综合 (不含平局) | 去掉平局投票后的评价 | 人类评价 | 392 |
| Chess Puzzles | 在国际象棋局面中选出最佳着法的题目 | 任务成绩 | 85 |
| EBR-bench | 通过反复游玩来进步的能力 | 任务成绩 | 27 |
| Furniture Assembly | 找出家具组装错误的任务 | 任务成绩 | 34 |
| Mystery Game Puzzles | 在隐去名称的游戏中选出最佳着法的题目 | 任务成绩 | 79 |
| SpireClimb | 在最难设置下打通卡牌游戏的任务 | 任务成绩 | 7 |
如何阅读本页
- 类型中的“任务成绩”，是汇总评测的机构在相同条件下亲自测得的成绩。“其他机构的公布值”，是收集了任务制作机构等公布的值。各领域内按类型、再按名称顺序 (中文名称在前) 排列。
数据：Arena / Epoch AI / Swallow LLM team (CC BY 4.0) / Models.dev (MIT)，更新于 2026-10-24，数据来源