评测来源
每个来源测什么、怎样更新、是否进入排名，都在这里。
编程
21 项综合分权重 40%其中 11 项参与排名在细粒度上完成工程任务：开发应用、修补漏洞、改真实仓库、系统集成与线上排障、科学计算、整套程序迁移。
参与排名Terminal-Bench 4.0 · AA
在命令行环境里独立完成一整件工程任务。
Artificial Analysis
参与排名Terminal-Bench 4.0 · Vals
Vals 用同一套 Agent 流程给所有模型复跑 Terminal-Bench 4.0。
Vals AI
参与排名LiveBench · 编程综合
Coding + Agentic Coding 两项均分，各占 50%。
LiveBench
- 参与排名
SciCode · AA
把物理、化学、生物等科研问题写成能运行的计算代码。
Artificial Analysis
- 参与排名
Code Migration
把整套程序从一种语言或框架迁移到另一种。
Vals AI
- 参与排名
ProgramBench
只给可执行文件，从零重写出行为相同的程序。
Vals AI
- 参与排名
Vibe Code Bench v1.1
从需求搭建网页应用，检查实际功能。
Vals AI
- 参与排名
Vibe Code Bench 1–100
在已有应用上连续开发，同时保持旧功能。
Vals AI
- 参与排名
CyberBench Patch v1.1
修补真实开源项目的安全漏洞。
Vals AI
- 参与排名
FrontierCode 2.0 · AA
在真实开源仓库里改代码，看改动能不能达到维护者愿意合并的水平。
Artificial Analysis
参与排名APEX-SWE
在真实工程环境里做系统集成、排查线上故障。
Mercor
- 观察中
DeepSWE v1.1
在统一的编程助手环境里改仓库、修缺陷，比较的是写代码的模型本身。
DataCurve
观察中MirrorCode
长时间的软件复现
Epoch AI
仅供参考TapTap Maker
在真实游戏引擎里用 Lua 写出能跑起来的功能。分数由引擎执行判定，不用另一个模型打分。
TapTap Maker
- 仅供参考
Terminal-Bench 4
保留模型搭配不同 Agent 在终端任务中的原始成绩，供交叉核对。
Harbor / Terminal-Bench
观察中Hyper-τ-bench
根据业务资料构建并测试能工作的客户服务代理。
Sierra
- 观察中
SWE-rebench
持续收集真实仓库问题，比较模型在多种编程语言中的软件修复能力。
Nebius
- 观察中
LHTB
在较长时间内持续使用终端，完成复杂工程与工具任务。
Tencent HY / Lehigh 等
- 观察中
FrontierCode
真实仓库任务的质量、测试与修改范围
Cognition
- 观察中
FrontierSWE v2
长时间运行的工程实现与研究任务
Proximal Labs
- 观察中
WeirdML
在陌生数据上实现机器学习方案
WeirdML
科研
18 项综合分权重 20%其中 10 项参与排名数学、物理、化学、生物的硬题与前沿研究级推理，看模型能不能自己把推导走完。
- 参与排名
HLE · AA
横跨学科的专家级难题，不用工具作答。
Artificial Analysis
- 参与排名
FrontierMath v2 · Tiers 1–3
研究级数学推理
Epoch AI
- 参与排名
LiveBench · 推理与数学
Reasoning + Mathematics 两项均分，各占 50%。
LiveBench
- 参与排名
CritPt · AA
研究级物理问题，考验专业推导。
Artificial Analysis
- 参与排名
CritPt v2 Hard · AA
修订版研究级物理题里最难的 40 道，可以写代码演算。
Artificial Analysis
- 参与排名
Chess Puzzles
根据文字棋局寻找正确走法
Epoch AI
- 参与排名
Mystery Game Puzzles
从陌生规则推导正确行动
Epoch AI
- 参与排名
MysteryMechanism
自己设计实验，去推断一套隐藏的规律。
Vals AI
- 参与排名
Terminal-Bench Science · Vals
在终端完成科学工作流与分析。
Vals AI
- 参与排名
Terminal-Bench Science · AA
在终端完成科学工作流与分析。
Artificial Analysis
- 仅供参考
FrontierMath v2 · Tier 4
更高难度的数学研究题
Epoch AI
- 观察中
Humanity’s Last Exam
横跨学科的高难度学术知识与推理。
CAIS / Scale AI
- 观察中
SimpleBench
用日常常识和逻辑问题，检验模型能否识别问题中的实际约束。
SimpleBench
观察中MathArena · ArXivLean
用 Lean 验证数学证明
MathArena / ETH Zurich
- 观察中
MathArena · BrokenArXiv
发现和修复数学证明中的错误
MathArena / ETH Zurich
- 观察中
MathArena · ArXivMath
从近期数学论文提炼的新题
MathArena / ETH Zurich
- 观察中
ARC-AGI-2
从陌生规则中学习和泛化
ARC Prize
- 观察中
ARC-AGI-3
从陌生规则中学习和泛化
ARC Prize
专业办公
27 项综合分权重 20%其中 11 项参与排名法律、财务、税务、医案、公共福利这些有标准答案的实务，看交付质量，不只是知识量。
- 参与排名
GDPval-AA
按真实职业交付件出题，两两比较产出质量。
Artificial Analysis
- 参与排名
AA-Briefcase
办公知识工作的长任务，两两比较交付结果。
Artificial Analysis
- 参与排名
AutomationBench · AA
跨办公软件完成一整条业务自动化流程。
Artificial Analysis
- 参与排名
Vals Finance Agent
金融分析师的日常办公题，看研报、建模这类工作做得怎样。
Vals AI
- 参与排名
APEX-Agents 1.1
投行、咨询和法律里的长任务，看模型当助手能不能把一件完整的工作做完。
Mercor
- 参与排名
Harvey LAB 1.1 · Vals
处理法律资料并交付 Word、Excel、幻灯片等可审阅文件。
Vals AI / Harvey
- 参与排名
Harvey LAB 1.1 · AA
读案卷，交付法律备忘录、披露清单、证词摘要、修订稿等文书。
Artificial Analysis
- 参与排名
τ³-Banking · Mercor
在统一工具环境里办理银行客服业务：查政策、找产品、改账户。
Mercor
- 参与排名
LiveBench · 数据分析
表格重排、列类型标注、表连接预测等数据处理任务。
LiveBench
- 参与排名
MedCode
根据住院记录给出医疗诊断编码。
Vals AI
- 参与排名
AA-Analyst Agent
可靠地分析数据并回答专业问题。
Artificial Analysis
- 观察中
τ³-Banking
在统一工具环境中办理银行业务，检验规则理解、客户沟通与任务完成。
Sierra
- 观察中
AutomationBench
跨办公软件完成自动化工作
Zapier
- 观察中
OfficeQA Pro
从大量真实财务文件中检索、计算并回答问题。
Databricks
- 观察中
MCP Atlas
通过真实 MCP 服务检索资料、操作文档与数据库，完成跨软件任务。
Scale AI
- 观察中
FinanceBenchmark
完成金融定价、资本计算和风控任务，用数值与代码执行结果核验。
FinanceBenchmark
- 观察中
PRBench · Legal
回答真实法律工作中的复杂问题，检验专业判断和论证质量。
Scale AI
- 观察中
PRBench · Finance
回答真实金融决策问题，检验专业判断、推导和风险说明。
Scale AI
- 观察中
SpreadsheetBench 2
完成财务建模、修复工作簿和数据可视化的整套表格工作。
SpreadsheetBench / Renmin University / AfterQuery
- 观察中
Vending-Bench 2
经营模拟商店一年，处理采购、谈判、库存与定价。
Andon Labs
- 仅供参考
EBR-bench
在长任务中学习新规则并使用记忆
Epoch AI
- 观察中
Excel · EMB
表格编辑与 Excel 办公
Vals AI
- 观察中
Legal Research
法律检索和论证
Vals AI
- 观察中
TaxAgentBench
税务专业问题
Vals AI
- 观察中
MedScribe
临床记录整理与撰写
Vals AI
- 观察中
BioMysteryBench
生物学研究推理
Vals AI
- 观察中
Terminal-Bench Science
在终端里完成科研任务
Harbor
知识问答
8 项综合分权重 15%其中 6 项参与排名研究生级知识与事实准确性，靠大规模题目把运气成分压下去。
- 参与排名
AA-Omniscience v1.1
事实问答，答错倒扣、拒答不扣，看模型知道什么、会不会乱编。
Artificial Analysis
- 参与排名
SimpleQA Verified
短问题的事实准确性
Epoch AI
- 参与排名
AA-LCR
读很长的文档后，回答需要综合推理的问题。
Artificial Analysis
- 参与排名
LiveBench · 语言与指令
Language + IF 两项均分，各占 50%。
LiveBench
- 参与排名
BullshitBench · 错误前提
识别问题里的错误前提，观察模型会不会顺着错误继续编造。
Peter Gostev / BullshitBench
- 参与排名
MLCR-AA
准确、完整且简洁地理解医疗长记录。
Artificial Analysis
- 仅供参考
GPQA Diamond
研究生水平的物理、化学与生物知识
Epoch AI
- 观察中
FACTS Parametric
不借助搜索工具回答世界事实问题，检验模型自身知识的准确性。
Google DeepMind / Kaggle
真人盲选与综合指数
2 项综合分权重 5%其中 1 项参与排名人类在实际使用里两两对打的结果，以及把多项成绩拼起来的综合指数，这里只作参照。
- 参与排名
Arena Text
真人匿名两两比较回答，看大家更愿意读哪一个。补上选择题看不出的整体体验。
LMArena
- 仅供参考
Arena WebDev
同样是真人盲选，比的是网页好不好用、能不能交付。
LMArena
写作与设计
12 项暂不计分长文写作、文案改写、界面与视觉稿，评分靠人评或成对比较。
- 仅供参考
Arena 创作盲选
真人盲选故事、诗歌和其他创意表达，观察作品是否吸引读者。
LMArena
- 仅供参考
Creative Writing v3
短篇创作与表达
EQ-Bench
- 仅供参考
Longform Writing
长篇故事的连贯性与完整性
EQ-Bench
- 观察中
EQ-Bench 4 · 情绪与人际理解
在多轮交流中理解人物情绪、隐含需求与不同的沟通偏好。
EQ-Bench
- 观察中
Short-Story · 短篇小说
把固定人物、情节与风格要求自然写进一篇完整短篇小说。
Lech Mazur
- 观察中
ToneBench · 文风与脚本
按指定作者文风写视频脚本，考查开场、结构、表达与口播节奏。
Towards AI
- 观察中
TubeLab · 视频脚本
面向不同视频频道写脚本，比较故事组织、文风、节奏与清晰度。
TubeLab
- 观察中
NC Bench · 作家工作流
帮助作家改写、续写、总结、翻译和整理创作想法。
Novelcrafter
- 观察中
Design Arena · 视觉设计
真人盲选网页、界面、图表和幻灯片的设计作品。
Design Arena / Intelligence
- 观察中
OpenVibeEval · 网页作品
对照网页作品、可访问性和盲选偏好，观察不同工具下的设计表现。
OpenVibeEval
- 观察中
SVGBench · 矢量图盲选
按相同提示盲选 SVG，考查视觉清晰度与图形表现。
SVGBench
观察中Rapidata SVG
真人比较模型生成的矢量图，直接评价视觉偏好。
Rapidata
视觉理解
2 项暂不计分图表、文档截图、真实场景照片的理解与定位。
- 仅供参考
Arena Vision
真人盲选带图片的回答，观察视觉理解的实际体验。
LMArena
- 观察中
Roboflow Vision Evals
读图、计数、OCR 与图像信息提取
Roboflow
中文与多语言
2 项暂不计分中文语境与多语种互译，专门挑翻译腔和本地化细节。
- 观察中
AA 中文／多语言
单独看中文和多语言表现，不再把英文综合能力重复算一次。
Artificial Analysis
- 观察中
RWS M-GATE
含中文的 30 种语言，考查语法与翻译
RWS
清单是本站自己整理的评测池：标「参与排名」的是计划纳入评分的项，标「观察中」的还在看能不能拿到可比的复跑成绩，「仅供参考」的只做背景信息。当前实际已接入并参与结算的，是 Artificial Analysis、Epoch AI、Mercor、Vals AI 四家公开数据里的成绩，其余正按机构逐个补齐。