吐血整理大模型评测信息（含三方测评发布网站），动动小手收藏备用～-育师

AA Intelligence Index （Artificial Analysis）

Leaderboard:
- https://artificialanalysis.ai/leaderboards/models
- https://artificialanalysis.ai/evaluations/artificial-analysis-intelligence-index
官网：https://artificialanalysis.ai
简介：Artificial Analysis 基于独立复测的多项基准（含 GPQA、IFBench、Terminal-Bench、SciCode 等）加权合成的智能指数，当前版本 v4.1.1 已收录 181 个模型（Claude Opus 5、Claude Fable 5、Grok 4.6 等居前），因口径统一、更新及时，是业界引用最多的模型横向能力排名之一

ALE （Agents’ Last Exam）

Leaderboard： https://snorkel.ai/leaderboard/agents-last-exam/
官网：https://agents-last-exam.org
论文：https://arxiv.org/html/2606.05405v1
简介：由 Berkeley RDI 牵头、300+ 行业专家共建的超大规模真实工作 Agent 基准，目标 5,000 个任务、覆盖 55 个子行业，衡量长程、高经济价值、可验证结果的职业任务完成能力，是当前评估"AI 能否胜任真实数字劳动"的代表性基准

HLE（Humanity’s Last Exam）

Leaderboard：https://lastexam.ai/
官网：https://lastexam.ai/
论文：https://arxiv.org/pdf/2501.14249
简介：由 Center for AI Safety 与 Scale AI 发起、全球学科专家出题的"人类终极考试"，覆盖 100+ 学科的超难前沿题，用于逼近人类知识边界、区分顶级模型在饱和基准之外的极限能力，是公认的"学术天花板"测试

Terminal-Bench

Leaderboard 2.0：
- 官方: https://www.tbench.ai/leaderboard/terminal-bench/2.0
- 三方：https://www.datalearner.com/benchmarks/terminalbench-2
Leaderboard 2.1：
- 官方：https://www.tbench.ai/leaderboard/terminal-bench/2.1
- 三方：https://www.datalearner.com/benchmarks/terminal-bench-2-1
Leaderboard 3.0：
- 官方：https://www.frontierbench.ai/
- 三方：https://www.datalearner.com/benchmarks/terminal-bench-v3
官网：https://www.tbench.ai
简介：由 Sierra 联合多家机构推出的终端（命令行）环境长程任务基准，2.1 版修正了 2.0 的 28 个任务并引入连续验证机制，用于衡量 Agent 在真实终端工作流中的复杂问题解决能力，是 CLI Agent 领域的代表性基准

AutomationBench

Leaderboard：https://zapier.com/benchmarks
官网：https://github.com/zapier/AutomationBench
论文：https://arxiv.org/html/2604.18934v1
简介：Zapier 推出的跨应用工作流编排基准，任务覆盖销售、营销、运营、客服、财务、HR 六大业务域，Agent 需自主发现 API 端点、遵循分层业务规则并正确写入各系统，用于衡量"真实业务自动化执行"这一企业级能力，官方榜单采用未公开的私有任务集以防过拟合

SWE-Bench Verified

Leaderboard:
- 官方： https://www.swebench.com/
- 三方：https://llm-stats.com/benchmarks/swe-bench-verified
官网：https://openai.com/index/introducing-swe-bench-verified/
论文：https://arxiv.org/pdf/2310.06770
简介：从 12 个热门 Python 仓库的真实 issue 与 PR 中抽取、经人工校验的 500 题子集，是目前编码 Agent 领域被引用最多、事实上的"编码能力标尺"，可作为横向比较代码 Agent 的首选参考

SWE-Bench Pro

Leaderboard: https://www.datalearner.com/benchmarks/swe-bench-pro
官网：https://github.com/scaleapi/SWE-bench_Pro-os
简介：Scale AI 为解决数据污染、任务单一、问题过简、测试不可复现四大痛点而设计的进阶基准，覆盖 41 个专业仓库、1,865 个真实任务，前沿模型在标准化脚手架下仅能解出约 59%，是衡量"去污染真实工程能力"的更严苛参考

DeepSWE

Leaderboard：https://deepswe.datacurve.ai/
官网：https://deepswe.datacurve.ai
论文：https://arxiv.org/abs/2607.07946
简介：由 Datacurve（非 DeepLearning.ai）推出的 113 个原创长程软件工程任务基准，任务从零编写、从不回馈上游仓库，从源头规避预训练污染，并以手写验证器替代随修复附带的测试，是衡量"无污染真实编码能力"的重要参考

NL2Repo-Bench

Leaderboard：https://www.datalearner.com/benchmarks/nl2repo-bench
论文：https://arxiv.org/abs/2512.12730
简介：由 M-A-P、ByteDance Seed 等机构联合提出的仓库级代码生成基准——仅凭一份自然语言需求文档和空工作区，Agent 需自主完成架构设计、依赖管理与多模块实现并产出可安装的 Python 库，用于评估当前最难的"长程仓库级生成"能力，目前最强 Agent 平均测试通过率仍不足 40%

SciCode

Leaderboard：https://pricepertoken.com/leaderboards/benchmark/scicode
官网：https://scicode-bench.github.io
论文：https://arxiv.org/abs/2407.13168
简介：由 16 个自然科学领域的科学家联合策划的科研代码基准，含 80 个主问题、338 个子问题，考察知识回忆+推理+代码综合的复合能力，是学术界公认的"科研编码"难度标尺（NeurIPS 2024 D&B）

CyberGym

Leaderboard：https://benchlm.ai/benchmarks/cybergym
官网：https://github.com/sunblaze-ucb/cybergym
论文：https://arxiv.org/html/2606.04460v2
简介：UC Berkeley（Dawn Song 组）推出的规模化网络安全基准，覆盖 188 个广泛使用的开源项目（如 OpenSSL、FFmpeg）中的 1,507 个真实 CVE，采用执行式客观评估，是衡量 AI 白盒漏洞分析与安全工程能力的权威参考

PaperBench

Leaderboard：https://github.com/openai/frontier-evals/tree/main/project/paperbench
官网：https://github.com/openai/frontier-evals/tree/main/project/paperbench
论文：https://arxiv.org/abs/2504.01848
简介：OpenAI 推出的科研复现基准，要求 Agent 从零复现 20 篇 ICML 2024 Spotlight/Oral 论文（共 8,316 个可评分子项，与原论文作者共同制定 rubric），最佳 Agent 平均复现得分仅约 21%，是衡量"端到端科研工程能力"目前最难公开基准之一

IFBench

Leaderboard：
- 官方：https://benchlm.ai/benchmarks/ifbench
- 三方：
  - https://www.datalearner.com/benchmarks/if-bench
  - https://artificialanalysis.ai/evaluations/ifbench
  - https://benchlm.ai/benchmarks/ifbench
论文：https://arxiv.org/pdf/2507.02833
简介：Allen AI（Ai2）推出的精确指令遵循泛化基准，含 58 个全新可验证的 OOD 输出约束，专测模型对"没见过的新约束"的遵循能力，已被 Artificial Analysis 纳入综合智能指数，是评估"听话程度"泛化性的主流参考

LiveCodeBench

Leaderboard：https://livecodebench.github.io/leaderboard.html
官网：
- https://livecodebench.github.io
- https://github.com/LiveCodeBench/LiveCodeBench
简介：持续从 LeetCode、AtCoder、Codeforces 收集新题的无污染竞赛编程基准，并额外考察自修复、代码执行、测试输出预测等能力，通过按题目发布日期切分实现防污染评测，是评估"实时编码能力"的首选参考

OSWorld Verified

Leaderboard：https://osworld-v1.xlang.ai
官网：
- https://github.com/xlang-ai/OSWorld
- Verified: https://xlang.ai/blog/osworld-verified
论文：https://proceedings.neurips.cc/paper_files/paper/2024/hash/5d413e48f84dc61244b6be550f1cd8f5-Abstract-Datasets_and_Benchmarks_Track.html
简介：HKU XLANG Lab 推出的首个真实计算机环境（Windows/Ubuntu/macOS）多模态 GUI Agent 基准，Verified 版对 369 个任务做了人工校验，是"电脑操作 Agent（Computer Use）"领域最权威的参考；进阶可关注长程版 OSWorld 2.0

GPQA Diamond

Leaderboard：
- Epoch AI：https://epoch.ai/benchmarks/gpqa-diamond
- Artificial Analysis：https://artificialanalysis.ai/evaluations/gpqa-diamond
- Vals AI：https://www.vals.ai/benchmarks/gpqa
- LLM Stats：https://llm-stats.com/benchmarks/gpqa llm-stats.com
论文：https://arxiv.org/pdf/2311.12022
简介：由学科专家（多为博士）撰写的 198 道"Google-proof"研究生级理科多选题，博士专家本人仅约 69.7% 正确率；目前已有 24 个模型超过 90%，属明显饱和的"知识+推理"参考，仍可作为顶级模型理科推理的快速筛选指标