AIHOT 评分 · 综合59.6分综合第 34 名评分不是正确率 · 评测覆盖 40%
可比较分类4/ 4 项分类
已有成绩17项评测
上下文窗口—Token
各有所长,看得更清楚。
每个领域单独评分,和综合评分用同一种分数,可以直接比。具体能力请看下面每项成绩。
编程AIHOT 评分58.3分第 39 名前 30 名之外3 项评测 · 覆盖 33%科研AIHOT 评分58.9分第 42 名前 30 名之外3 项评测 · 覆盖 33%专业办公AIHOT 评分62.9分第 29 名4 项评测 · 覆盖 30%知识问答AIHOT 评分58.1分第 41 名前 30 名之外4 项评测 · 覆盖 80%
覆盖比例是这个领域里已有成绩的评测类别占比,不代表能力高低;没测的不补分,也不扣分。
每一项成绩,都有来处。
按领域列出每项公开成绩,以及它折算成的统一分数。展开可查看它测什么、运行配置与采用方式。
编程58.34 项
科研58.93 项
专业办公62.94 项
知识问答58.15 项
真人盲选61.71 项
尚无成绩的评测
这些评测尚无可采用的公开成绩,缺测不补分。
Terminal-Bench 4.0 · ValsTerminal-Bench 4.0 · 官方Code Migration v1.1ProgramBenchMirrorCodeVibe Code Bench v1.1CyberBench Patch v1.1FrontierCode 2.0 · AAAPEX-SWEFrontierCode 2.0 · CognitionWeirdML v3FrontierSWE v2TapTap MakerFrontierMath v2 · Tiers 1–3致知 · 逻辑月榜司南 · 推理ARC-AGI-2司南 · 抽象CritPt v2 Hard · AAChess PuzzlesMystery Game PuzzlesMysteryMechanismTerminal-Bench Science · ValsTerminal-Bench Science · AABioMysteryBenchVals Finance Agent v2.1APEX-Agents 1.1Harvey LAB 1.1 · ValsHarvey LAB 1.1 · AAτ³-Banking · MercorMedCodeAA-Analyst AgentLegal Research BenchTaxAgentBenchExcel Modeling v1.1SimpleQA Verified司南 · 知识NYT Connections 扩展版BullshitBench · 错误前提Arena Text
怎么看这些折算分
每项成绩按这项评测的难度折算成同一种分数:难的评测考得一般也能折算出高分,快被刷满的评测再高也折算不出更多。领域分是这些折算分的平均,再向模型的整体水平收一点;同类评测只算一票。相差不到 1 分的两个模型,先后接近抛硬币。
了解计算方法 →