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
206
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 3 个基准，建议先看对应榜单，再进入模型对比。
OS World Verified
一个用于验证大模型Agent在操作计算机方面能力的评测基准，OSWorld的升级版本
OSWorld 2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks
OSWorld 2.0 由 XLANG Lab 发布，包含 108 个长程真实计算机操作任务，人类完成单个任务的中位耗时约 1.6 小时。官方同时报告两套口径：partial score（按任务内检查点给部分分，平均每个任务 27.25 个检查点）与 strict 二值完成率（必须完全达成最终状态才计分），两者数值差距极大，不可混用。本站本基准统一收录 partial score 口径；strict 口径成绩请以厂商模型卡原文为准。另需注意各家使用的任务集版本不同（如 Anthropic 在 2026-08 任务集上重测），跨厂商比较仅供参考。
OSWorld 2.1: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks
OSWorld 2.1 是 XLANG Lab 于 2026-09-16 发布的 OSWorld 2.0 修复版（osworld-v2.1），延续 OSWorld 2.0 的长程真实计算机操作任务，固定了任务、资源、网站与云镜像引用，并更新了智能体与评测流程。官方榜单同时给出 partial score 与 binary 完成率，以及完整集（full）与离线集（offline）两种口径。本站收录 partial score，并区分完整集与离线集；与 OSWorld 2.0 的成绩因环境版本不同，不应直接混排比较。