Artificial Analysis 综合智能指数，由多个基准加权得出，反映模型整体推理能力。

来源：Artificial Analysis

Artificial Analysis 代码能力指数，综合 LiveCodeBench 等代码基准。

来源：Artificial Analysis

Artificial Analysis 数学能力指数，综合 AIME 等数学基准。

来源：Artificial Analysis

大规模多任务语言理解进阶版，衡量跨学科知识广度。

来源：MMLU Pro

研究生水平知识问答（GPQA Diamond），考察专家级科学知识。

来源：GPQA

人类最后一场考试（Humanity's Last Exam），极难的综合知识测试。

来源：HLE

持续更新的代码生成基准，降低数据污染影响。

来源：LiveCodeBench

面向科研场景的数据科学编程题集。

来源：SciCode

OpenAI 收集的 500 道竞赛数学题子集（MATH500）。

来源：MATHEMATICA/MATH500

美国数学邀请赛题（老版口径，2023 及以前）。

来源：AIME

2025 版美国数学邀请赛题。

来源：AIME 2025

指令遵循能力基准（IFEval 中文扩展）。

来源：IFBench

代码审查与修复基准（LLM Code Review）。

来源：LCR

终端 CLI 使用能力高难度子集评测。

来源：TerminalBench

第三代整体智能基准测试（Tau-Bench 的升级版），综合对话与工具使用。

来源：Tau2