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
204
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 是首个面向智能体的人机可比交互式推理基准。智能体需要在没有自然语言指令的全新环境中探索、即时推断目标、建立并持续更新世界模型，通过长期规划和稀疏反馈完成任务；100% 表示能像人类一样高效通关全部游戏。 注意：ARC-AGI-3 的分数强依赖测试脚手架（harness）。ARC Prize 只把 Standard harness 的结果视为跨厂商可比口径；厂商自建的 Provider Adapter harness 可在多次请求间保留不透明的推理状态，分数会显著更高，录入本站时一律以 Standard harness 为准。
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 4 个基准，建议先看对应榜单，再进入模型对比。
BioMysteryBench contains 99 expert-authored bioinformatics research questions over messy real-world datasets. Agents may use a Linux terminal, bioinformatics software, Python and R, plus restricted access to canonical data sources; answers are graded on objective biological conclusions rather than a prescribed analysis path.
LABBench2: An Improved Benchmark for AI Systems Performing Biology Research
LABBench2 is a public benchmark of nearly 1,900 tasks that measure practical biology research capabilities across literature understanding, biological database access, molecular biology, protocol troubleshooting and experiment planning in more realistic settings than the original LAB-Bench.
BioMysteryBench — Human-solvable Subset
This BioMysteryBench subset contains the 76 tasks that at least one of up to five human domain experts solved correctly. It preserves the benchmark's real-world data analysis, terminal tools, bioinformatics software and restricted external data access conditions.
BioMysteryBench — Human-difficult Subset
This BioMysteryBench subset contains the 23 tasks that no member of the human-expert panel solved correctly. Tasks still have controlled objective answers and use real-world bioinformatics data, tools and restricted external data access.