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
223
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。
Massive Text Embedding Benchmark
MTEB（Massive Text Embedding Benchmark）是文本嵌入综合评测框架。2022 年原始版本覆盖 8 类嵌入任务、58 个数据集和 112 种语言；不同任务使用不同指标，因此不应把 MTEB 简化为单一 Accuracy。
MTEB 英语 v2 文本嵌入评测
MTEB(eng, v2): text embedding quality across 41 tasks in the captured official suite. Official Mean (Task) × 100, on a 0–100 scale; higher is better. Only complete canonical runs are ranked. Mean (Task Type) and other suites are separate. Task count is not question count. Suite hash, dimensions and training overlap are preserved per run; unpublished model revisions and evaluation dates stay unknown.
MTEB 多语言 v2 文本嵌入评测
MTEB(Multilingual, v2): text embedding quality across 131 tasks in the captured official suite. Official Mean (Task) × 100, on a 0–100 scale; higher is better. Only complete canonical runs are ranked. Mean (Task Type) and other suites are separate. Task count is not question count. Suite hash, dimensions and training overlap are preserved per run; unpublished model revisions and evaluation dates stay unknown.