SimpleBench
查看详情SimpleBench 是一个包含 213 道英文六选一题目的常识推理基准，覆盖时空推理、社会智能和语言对抗性问题。每道题运行 5 次并报告平均正确率；通常使用 temperature=0.7、top-p=0.95，o 系列模型除外。官方由 9 名参与者的小样本测得非专业人类基线 83.7%。
语言英文难度高难度常识推理机构SimpleBench Team / AI Explained
评测基准库
本页面汇总了当前业界主流的大模型评测基准，包括AIME 2025, SWE Bench Verified, MMLU、GSM8K、HumanEval 等。我们致力于为研究者和开发者提供一个全面的参考平台，帮助大家了解不同大模型在各种评测数据集上的性能表现。
全部基准
205
所有类型
14
所有语言
9
大模型在评测基准的详细评测结果：主流大模型评测基准榜单
由编辑挑选，帮助你发现值得关注的评测基准。
SimpleBench 是一个包含 213 道英文六选一题目的常识推理基准，覆盖时空推理、社会智能和语言对抗性问题。每道题运行 5 次并报告平均正确率；通常使用 temperature=0.7、top-p=0.95，o 系列模型除外。官方由 9 名参与者的小样本测得非专业人类基线 83.7%。
ARC-AGI-3 是面向智能体的交互式推理基准，要求在没有自然语言指令的环境中探索、推断目标、建立世界模型并规划行动。100% 表示达到人类基线的行动效率。成绩同时受模型、思考档位和评测环境影响。本站分别记录 Standard 与 Provider Adapter；后者支持供应商原生状态和上下文管理，具体实现见运行证据。不同环境的成绩分组展示，环境未核实的历史成绩不参与排名。
Terminal-Bench 4.0 是 Terminal-Bench 团队持续维护的终端智能体评测版本，于2026年8月28日正式发布，通过 66 个容器化专业计算机任务测量模型与 Agent 脚手架组成的完整系统。4.0 将每次 Agent 运行的超时上限统一调整为 8 小时，修复 19 个任务，并移除 8 个已饱和、容易触发拒答、存在公开解法或仍有质量与平台问题的任务。每个任务运行 5 次，榜单报告任务解决率及 95% 置信区间；因任务集和资源规则已发生破坏性变更，4.0 成绩不应与 3.0 或 2.x 直接对比。
CursorBench 是 Cursor 基于真实 Cursor 会话中的模糊、多文件任务构建的内部编程 Agent 评测。4.0 版新增长周期任务，覆盖编辑、重构、调查、意图理解、作业管理和设计一致性；官方同时提示小幅分数差异可能不具统计意义。任务、Agent harness 和评分口径由 Cursor 维护，因此结果应视为特定模型、思考档位与 Cursor 工具环境组成的系统成绩。
已匹配 6 个基准，建议先看对应榜单，再进入模型对比。
LiveCodeBench 是一个动态更新的基准测试平台，通过来自顶级竞赛平台的高难度编程任务，全面评估大型语言模型在复杂编码场景中的能力。
一个使用编程竞赛题目测试大模型代码生成能力的评测基准
International Olympiad in Informatics 2024 (Vals AI v1)
Vals AI 的 IOI v1 使用 2024 年国际信息学奥林匹克竞赛的 6 道编程题。模型可在 C++ 环境运行代码，并最多提交 50 次获得评分反馈；成绩按官方子任务分数计算。v1 已归档，与采用不同评测方式的 IOI v2 成绩不可直接比较。
International Olympiad in Informatics 2025 (Vals AI v1)
Vals AI 的 IOI v1 使用 2025 年国际信息学奥林匹克竞赛的 6 道编程题。模型可在 C++ 环境运行代码，并最多提交 50 次获得评分反馈；成绩按官方子任务分数计算。v1 已归档，与采用不同评测方式的 IOI v2 成绩不可直接比较。
CodeClash: Benchmarking Goal-Oriented Software Engineering
CodeClash 是面向目标驱动软件工程的开放基准，要求模型在多轮 tournament 中维护和改进代码库，以胜率、Elo 等方式评估模型能否围绕高层目标进行策略规划、日志分析、代码演化和长期维护。
International Olympiad in Informatics (Vals AI v2)
Vals AI 的 IOI v2 覆盖 2024、2025、2026 年各 6 道国际信息学奥赛编程题，共 18 题。模型在 OpenCode/C++ 环境中编写并自测解答，但无法查看官方测试数据、联网或获得提交评分反馈；最终用官方 grader 按子任务计分。站内 IOI 2024/2025 是已归档的 v1 年度分榜，评测方式不同，分数不可直接比较。