← 返回模型对比
模型测试结果
综合
比较同一 LiveBench 套件中的结果。第一列是各类别等权计算的平均分；各类别分数也单独列出。这些是基准测试分数，并非通用评级。
按测试排序
LiveBench · 测试套件版本 2026年10月14日最近检查时间 49 已测试设置点击列标题即可排序。
| # | 模型与设置 | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 1 | 88.0 | 80.8 | 91.7 | 97.7 | 100.0 | 80.3 | 82.0 | 83.4 | |
| 2 | 86.5 | 85.0 | 92.2 | 96.3 | 80.0 | 80.3 | 85.0 | 86.9 | |
| 3 | 86.1 | 82.4 | 92.7 | 93.7 | 84.0 | 83.0 | 85.2 | 82.0 | |
| 4 | 85.4 | 73.0 | 92.6 | 96.0 | 88.0 | 82.7 | 83.5 | 82.1 | |
| 5 | 84.1 | 69.9 | 95.1 | 89.7 | 92.0 | 85.2 | 83.1 | 73.7 | |
| 6 | 83.6 | 53.2 | 89.7 | 98.3 | 92.0 | 80.5 | 86.9 | 84.7 | |
| 7 | 82.5 | 78.8 | 91.6 | 94.7 | 84.0 | 59.5 | 83.6 | 85.0 | |
| 8 | 82.1 | 62.1 | 91.2 | 90.8 | 84.0 | 74.6 | 88.9 | 83.0 | |
| 9 | 81.9 | 66.9 | 88.7 | 93.1 | 92.0 | 81.2 | 69.3 | 82.2 | |
| 10 | 79.2 | 50.9 | 89.1 | 96.0 | 76.0 | 79.5 | 79.5 | 83.4 | |
| 11 | 78.1 | 53.2 | 90.6 | 86.2 | 72.0 | 81.6 | 88.0 | 75.1 | |
| 12 | 78.0 | 40.1 | 86.7 | 90.2 | 84.0 | 79.3 | 86.8 | 79.2 | |
| 13 | 76.8 | 48.3 | 89.2 | 77.3 | 96.0 | 66.0 | 81.8 | 78.8 | |
| 14 | 76.3 | 48.5 | 91.7 | 89.7 | 88.0 | 79.8 | 54.5 | 81.6 | |
| 15 | 75.6 | 57.6 | 82.4 | 91.4 | 80.0 | 53.1 | 81.9 | 83.1 | |
| 16 | 75.0 | 48.4 | 90.6 | 86.2 | 84.0 | 79.3 | 60.4 | 76.0 | |
| 17 | 74.9 | 40.7 | 91.2 | 89.1 | 64.0 | 75.3 | 84.5 | 79.8 | |
| 18 | 74.9 | 47.5 | 79.6 | 81.5 | 88.0 | 72.3 | 76.7 | 78.5 | |
| 19 | 74.8 | 40.4 | 89.7 | 90.2 | 80.0 | 79.6 | 68.6 | 74.8 | |
| 20 | 74.1 | 50.1 | 82.7 | 84.5 | 60.0 | 76.9 | 86.4 | 78.0 |
横向滚动以查看所有测试列。
各列衡量什么
- 长时智能体任务:
- 跨多个步骤的长时间代码与应用工作
- 推理:
- 逻辑谜题与问题求解
- 编程:
- 编写和补全代码
- 浏览器操作:
- 在真实网页应用中的多步骤任务
- 数据分析:
- 关于表格和数据的问题
- 研究:
- 开放式研究报告
- 设计:
- 文档和幻灯片的排版与设计
测试与方法
单一测试来源：LiveBench。各列是该来源下的不同部分，并非独立基准。分数采用原始 0–100 分制。选择用于排名的列；短横线表示缺少数据。
每种确切的模型设置均单独列出。计算类别平均分需要该类别下的所有任务数据；计算总平均分需要所有类别的数据。类别内各任务等权，所有类别在总分中也等权。缺失结果不会按零分处理。排名按所选列的未四舍五入数值计算，并列者共享名次；搜索结果保留其在完整测试中的名次。旧分数不参与排名。显示的小数差异不代表统计显著差异。此视图仅涵盖一个测试套件，并不代表所有当前模型或所有类型的能力。
测试套件日期标识测试版本。LiveBench 会在该版本中持续添加模型并更新结果；数据核查日期显示我们获取实时数据的时间。
LiveBench · 来源 ↗更多测试与历史结果 →