Benchmark

benchmark 分成四大类，一个 benchmark 可以计入多个大类。每类显示最近更新的 6 个。

体验感

指令遵循、幻觉控制和安全对齐

查看全部相关 benchmark 2 个

大类分排名

最高档

GLM-5.373.00 Kimi-K365.05 Qwen3.8-27B48.45 DeepSeek-V4-Pro2.86

AA-Omniscience

更新于 2026-10-26

Omniscience Index，600 题

也计入认知能力

最高Kimi-K30.350

CL-bench

更新于 2026-09-27

Accuracy，1,899 题

最高Qwen3.8-27B0.249

认知能力

语言理解与表达、知识储备和推理能力

查看全部相关 benchmark 5 个

大类分排名

最高档

DeepSeek-V4-Pro69.72 Kimi-K367.05 GLM-5.359.36 Qwen3.8-27B45.52

MMLU-Pro

更新于 2026-10-27

Accuracy，12,032 题

最高Kimi-K30.888

AA-LCR

更新于 2026-10-26

Accuracy，100 题

最高Kimi-K30.830

AA-Omniscience

更新于 2026-10-26

Omniscience Index，600 题

也计入体验感

最高Kimi-K30.350

SimpleQA Verified

更新于 2026-10-26

Accuracy，1,000 题

最高DeepSeek-V4-Pro0.571

HLE

更新于 2026-10-20

Accuracy，2,158 题

最高Qwen3.8-27B0.311

Agentic 能力

任务规划与分解、工具调用和记忆管理

查看全部相关 benchmark 2 个

大类分排名

最高档

GLM-5.354.23 Qwen3.8-27B49.48 DeepSeek-V4-Pro45.67 Kimi-K33.50

AutomationBench

更新于 2026-10-26

Pass Rate，600 题

Agentic也计入应用领域

最高GLM-5.30.525

SWE-bench Pro

更新于 2026-10-23

Resolved Rate，731 题

最高Qwen3.8-27B0.575

应用领域

软件工程、通用办公、金融经济、法律、创意设计和网络安全

查看全部相关 benchmark 1 个

大类分排名

最高档

GLM-5.352.50 DeepSeek-V4-Pro45.67 Qwen3.8-27B41.50 Kimi-K33.50

AutomationBench

更新于 2026-10-26

Pass Rate，600 题

Agentic也计入 Agentic 能力

最高GLM-5.30.525