独立评测快照

按真实场景查看评测证据

各来源与指标独立呈现。这些数据用于核验，不构成通用的模型总排名。

按场景筛选

最新可用来源结果

快照每日更新。任何来源抓取失败都不会覆盖上一个有效版本。每条结果保留精确模型版本、测试口径和原始排行榜链接。

抓取时间: 2026年10月12日 01:34 · 2 个官方来源 · 663 条记录

金色面板是该官方测试类别的第一名，亚军与季军旁标注了与第一名的差距。这不是全面总排名：不同基准的分数不能相加或直接比较。

每项测试的领先者

排名 · 模型家族 · 精确模型版本 · 成绩

LiveBench

智能体编程

points
1 DeepSeekdeepseek-v4.1-flash-max 77.3
  1. 2 Claudeclaude-opus-5-5-max-effort −5.6 71.7
  2. 3 qwen3.8-max −12.6 64.6

LiveBench

编程任务

points
1 Claudeclaude-sonnet-5-5-max-effort 91.4
  1. 2 ChatGPTgpt-5.6-sol-max −7.4 83.9
  2. 3 smaug-agentic −8.9 82.5

LiveBench

数学

points
1 Claudeclaude-opus-5-5-max-effort 97.1
  1. 2 ChatGPTgpt-6.1-sol-max −0.2 96.8
  2. 3 muse-spark-1.3-xhigh −1.1 95.9

LiveBench

推理

points
1 ChatGPTgpt-6-astra-max 92.7
  1. 2 Claudeclaude-opus-5-5-max-effort −0.5 92.2
  2. 3 Kimikimi-k3 −2.0 90.7

LiveBench

数据分析

points
1 ChatGPTgpt-6-astra-max 83.0
  1. 2 Claudeclaude-fable-5-max-effort −2.4 80.5
  2. 3 smaug-agentic −3.1 79.9

LiveBench

指令遵循

points
1 Geminigemini-3.8-flash-high 81.4
  1. 2 muse-spark-1.3-xhigh −3.4 78.0
  2. 3 qwen3.8-flash-next −4.3 77.1

LiveBench

语言任务

points
1 Claudeclaude-fable-5-max-effort 90.7
  1. 2 ChatGPTgpt-6.1-sol-max −0.6 90.1
  2. 3 Geminigemini-3.8-flash-high −2.9 87.8

SWE-bench Verified

真实软件问题修复

%
1 ClaudeSonar Foundation Agent + Claude 4.5 Opus 79.2%
  1. 2 DoubaoTRAE + Doubao-Seed-Code −0.4 78.8%
  2. 3 Geminilive-SWE-agent + Gemini 3 Pro Preview (2025-11-18) −1.8 77.4%

全部成绩对照表

同一批测试的完整数字：每个格子是该模型家族在这项测试中的成绩与名次，每列最高分已标出。名称旁的数字表示它出现在几项测试中、拿下几项第一；点号表示没有公开成绩，而不是零分。

模型家族 智能体points编程points数学points推理points数据points指令points语言pointsSWE%
Claude8/84× 71.7#291.4#197.1#192.2#380.5#675.8#690.7#179.2%#1
ChatGPT8/82× 57.3#2183.9#796.8#392.7#183.0#175.6#890.1#274.6%#17
DeepSeek8/81× 77.3#180.0#2295.1#1686.7#3179.5#1371.0#2682.1#2670.0%#46
Gemini8/81× 58.3#1978.9#2993.5#2189.3#1878.5#2381.4#187.8#777.4%#4
GLM8/8 60.9#1579.7#2489.8#3785.8#3576.4#3469.3#3379.9#3172.8%#25
Kimi8/8 62.2#1181.4#1584.4#5690.7#978.7#2171.4#2385.5#1171.2%#35
Doubao1/8 ·······78.8%#3
Qwen1/8 ·······40.6%#137

全部测试的领奖台地图

每一行是一个模型家族，按第一名数量排序。单元格显示该家族在对应测试中的名次，仅标注前三名，且每列保留各自基准的独立分数。

模型家族 智能体编程数学推理数据指令语言SWE
Claude4 3 21122·11
ChatGPT2 3 ·2211·2·
Gemini1 2 ·····133
DeepSeek1 1·······
muse-spark-1.3-xhigh1 1 ··3··2··
Doubao1 ·······2
smaug-agentic2 ·3··3···
Kimi1 ···3····
qwen3.8-flash-next1 ·····3··
qwen3.8-max1 3·······

按来源查看完整名次

每个条形代表该测试中一个模型家族的最好成绩配置，避免同一厂商的多个代理配置挤占榜单。完整名单请展开原始排行榜。

LiveBench

28 个模型家族参与对比 · 2026年10月12日 01:34

查看原始排行榜

LiveBench 发布独立评分、定期更新的客观任务。本页类别分数为该版本官方子任务分数的算术平均值（本地计算）；各类别独立展示。

智能体编程

  1. 1 DeepSeekdeepseek-v4.1-flash-max 77.3
  2. 2 Claudeclaude-opus-5-5-max-effort 71.7−5.6
  3. 3 qwen3.8-max 64.6−12.6
  4. 4 smaug-agentic 64.6−12.6
  5. 5 muse-spark-1.3-xhigh 64.1−13.2
  6. 6 Kimikimi-k3 62.2−15.1
  7. 7 qwen3.8-flash-next 61.6−15.7
  8. 8 qwen3.8-27b 61.4−15.9

编程任务

  1. 1 Claudeclaude-sonnet-5-5-max-effort 91.4
  2. 2 ChatGPTgpt-5.6-sol-max 83.9−7.4
  3. 3 smaug-agentic 82.5−8.9
  4. 4 Kimikimi-k3 81.4−9.9
  5. 5 muse-spark-1.3-xhigh 81.1−10.3
  6. 6 DeepSeekdeepseek-v4.1-flash-max 80.0−11.3
  7. 7 GLMglm-5.2 79.7−11.7
  8. 8 Geminigemini-3.7-flash-high 78.9−12.5

数学

  1. 1 Claudeclaude-opus-5-5-max-effort 97.1
  2. 2 ChatGPTgpt-6.1-sol-max 96.8−0.2
  3. 3 muse-spark-1.3-xhigh 95.9−1.1
  4. 4 grok-4.7-xhigh 95.7−1.4
  5. 5 DeepSeekdeepseek-v4-pro-0813 95.1−2.0
  6. 6 mistral-large-4-high 93.6−3.5
  7. 7 Geminigemini-3.7-flash-high 93.5−3.6
  8. 8 grok-4.6 92.6−4.5

推理

  1. 1 ChatGPTgpt-6-astra-max 92.7
  2. 2 Claudeclaude-opus-5-5-max-effort 92.2−0.5
  3. 3 Kimikimi-k3 90.7−2.0
  4. 4 grok-4.6 90.5−2.1
  5. 5 smaug-agentic 90.3−2.4
  6. 6 muse-spark-1.2-xhigh 90.0−2.6
  7. 7 muse-spark-1.3-xhigh 89.7−3.0
  8. 8 Geminigemini-3.8-flash-high 89.3−3.4

数据分析

  1. 1 ChatGPTgpt-6-astra-max 83.0
  2. 2 Claudeclaude-fable-5-max-effort 80.5−2.4
  3. 3 smaug-agentic 79.9−3.1
  4. 4 muse-spark-1.3-xhigh 79.6−3.4
  5. 5 DeepSeekdeepseek-v4-flash-vision-exp 79.5−3.5
  6. 6 smaug-flash 79.1−3.9
  7. 7 smaug-mini 78.8−4.2
  8. 8 Kimikimi-k3 78.7−4.2

指令遵循

  1. 1 Geminigemini-3.8-flash-high 81.4
  2. 2 muse-spark-1.3-xhigh 78.0−3.4
  3. 3 qwen3.8-flash-next 77.1−4.3
  4. 4 Claudeclaude-fable-5-max-effort 75.8−5.6
  5. 5 ChatGPTgpt-6-astra-max 75.6−5.8
  6. 6 grok-4.7-xhigh 75.3−6.1
  7. 7 muse-spark-1.2-xhigh 74.3−7.1
  8. 8 qwen3.8-max 74.1−7.3

语言任务

  1. 1 Claudeclaude-fable-5-max-effort 90.7
  2. 2 ChatGPTgpt-6.1-sol-max 90.1−0.6
  3. 3 Geminigemini-3.8-flash-high 87.8−2.9
  4. 4 Kimikimi-k3 85.5−5.2
  5. 5 smaug-agentic 84.4−6.3
  6. 6 grok-4.6 83.7−7.0
  7. 7 grok-4.5 82.8−7.9
  8. 8 muse-spark-1.3-xhigh 82.8−7.9

SWE-bench Verified

87 个模型家族参与对比 · 2026年10月12日 01:34

查看原始排行榜

该结果针对特定代理配置和仓库问题解决，不代表通用聊天式编程能力。

真实软件问题修复

  1. 1 ClaudeSonar Foundation Agent + Claude 4.5 Opus 79.2%
  2. 2 DoubaoTRAE + Doubao-Seed-Code 78.8%−0.4
  3. 3 Geminilive-SWE-agent + Gemini 3 Pro Preview (2025-11-18) 77.4%−1.8
  4. 4 Atlassian Rovo Dev (2025-09-02) 76.8%−2.4
  5. 5 ACoder 76.4%−2.8
  6. 6 MiniMax M2.5 (high) 75.8%−3.4
  7. 7 Warp 75.6%−3.6
  8. 8 Harness AI 74.8%−4.4

抓取提示: arena/text: 429 https://api.wulong.dev/arena-ai-leaderboards/v1/leaderboard?name=text | arena/search: 429 https://api.wulong.dev/arena-ai-leaderboards/v1/leaderboard?name=search | arena/code: 429 https://api.wulong.dev/arena-ai-leaderboards/v1/leaderboard?name=code

如何解读

LiveBench 展示客观任务的类别分数。Arena 展示盲测人类偏好 Elo。SWE-bench Verified 展示特定代理配置解决真实仓库问题的比例。

重要限制

不同基准的分数不能相加或直接比较。生活场景使用偏好代理，因为目前没有覆盖通用日常助手的权威基准。

免费安装 ModelAny