DataLearner 标志

AI大模型评测排行榜

聚合 ARC-AGI-2、AIME 2025、SWE-bench Verified 等主流评测的实时排名,按综合、数学、编程、Agent 等维度快速筛选。

查看评测基准详情English leaderboard (LLMLearner)最近收录更新 2026-11-10 11:34:22

综合排名

从三个视角参考大模型表现:AA 智能指数汇总标准化能力评测,LMArena 反映匿名对战中的用户偏好,Vals Index 衡量按行业经济权重加权的实际任务能力。三个榜单各自排名,分数不跨榜比较。

AA Intelligence Index

完整排名

汇总编程、数学、科学、推理、智能体等标准化评测的综合分数。

来源版本日期 2026年11月08日

LMArena Text Generation

完整排名

基于匿名众包 A/B 对战的 Elo 评分,反映真实用户对回答质量的偏好。

来源版本日期 2026年11月08日

来源:LMArena

Vals Index v2.2

完整排名

按行业经济权重汇总金融、编码、法律和税务任务的准确率。

收录更新于 2026-11-10 11:34:22

来源:Vals AI

按已收录模型排名;官方标注的部分成绩包含 fallback 模型辅助。

© 2026 Vals AI. All rights reserved.

近期排名变化

代码、数学、Agent 榜单近 30 天的排名上升、下降与新上榜模型。

单项评测排名

按数学、编程、Agent 等维度筛选排名。下方可切换评测基准,也可直接进入分类排行榜查看完整排名。 查看全部评测基准。

大模型性能评测结果

数据来源:DataLearnerAI
暂无图表数据

找到 6 条记录

点击任意行查看模型详情;勾选左侧 可对比最多 4 个模型。表中分数为各评测模式中的最高得分。

HLE—
ARC-AGI-2—
FrontierMath Tier 4 v2—
SWE-bench Verified—
τ²-Bench—
免费商用
HLE—
ARC-AGI-2—
FrontierMath Tier 4 v2—
SWE-bench Verified—
τ²-Bench—
免费商用
HLE—
ARC-AGI-2—
FrontierMath Tier 4 v2—
SWE-bench Verified—
τ²-Bench—
免费商用
HLE—
ARC-AGI-2—
FrontierMath Tier 4 v2—
SWE-bench Verified—
τ²-Bench—
免费商用
HLE—
ARC-AGI-2—
FrontierMath Tier 4 v2—
SWE-bench Verified—
τ²-Bench—
免费商用
HLE—
ARC-AGI-2—
FrontierMath Tier 4 v2—
SWE-bench Verified—
τ²-Bench—
免费商用
排序:

排行榜常见问题

01

排行榜的数据来源是什么?

所有得分来自一手出处:模型官方 model card、技术报告、论文、厂商博客与可复现的第三方评测。每一行均链回对应的模型详情页,可查看原始引用。

02

为什么同一模型在不同基准上分数差异很大?

每个基准测的能力不一样:推理类(HLE、ARC-AGI-2)、数学类(AIME、FrontierMath)、编程类(SWE-bench Verified)、Agent 工具使用类(τ²-Bench)等。模型在某一能力上专门优化后,往往会牺牲另一些能力,因此排行榜按基准分别展示,而不是合并成一个分数。

03

排行榜多久更新一次?

页面缓存每 5 分钟重新校验,不代表每项评测都在此时更新。新成绩经核对后收录;页面顶部显示最近收录更新,各外部榜单分别显示其来源版本日期。

04

综合排名应该怎么解读?

综合榜聚合了模型在多个核心基准上的位次,可作为初筛工具。但落地选型时建议进入与你业务最相关的单项基准查看,例如 Coding Agent 看 SWE-bench Verified、工具调用场景看 τ²-Bench。

05

开源大模型和闭源 API 模型怎么对比?

使用顶部的"许可"筛选切换为"全部",开源与闭源模型可在同一基准列直接对比。除分数外,还需考虑总持有成本:闭源模型按 API 用量计费,开源模型则需衡量自部署的硬件与运维成本。

截至 2026年11月,AA 智能指数前列模型包括 Gemini 4 Carbon (high)、Claude Opus 5.5 (max)、Gemini 4 Carbon (medium),该指数汇总编程、推理、科学等 九项评测。

LMArena 文本生成榜当前靠前的模型包括 Gemini 4 Carbon (high)、Gemini 4 Argon (high)、Muse Wonder (max),排名基于真人匿名 A/B 投票。

下方可按数学、编程、Agent 等分类查看单项排名。数据口径说明见 数据方法论,延伸阅读见 原创博客(模型解读、部署指南与 Agent 实践)。

知名模型开发商

查看全部 114 家机构

点击进入开发商主页,查看其全部模型、系列与产品线。

今日推荐每日轮换 · 发现更多机构

模型对比分析

逐项对比的深度分析:评测分差到底意味着什么,以及什么场景该选哪一个。

全部对比

探索更多

排行榜只覆盖参与评测的模型。你还可以按模型、机构或评测基准浏览完整内容。