Benchmark
MMLU-Redux
language
reasoning
math
general
text
An improved version of the MMLU benchmark featuring manually re-annotated questions to identify and correct errors in the original dataset. Provides more reliable evaluation metrics for language models by addressing dataset quality issues found in the original MMLU.
Top 10
榜单概览
数据说明
分数为 0-100 百分制综合成绩（Elo 榜为相对评分，仅供同榜内比较）。评测分数属事实数据，整理自公开评测体系与厂商公开资料，部分分数为厂商自报口径，不同榜单的评测方法与数据集可能存在差异，请结合多个榜单交叉参考。
Ranking
模型排名
| 名次 | 模型 | 机构 | 分数 | 来源 |
|---|---|---|---|---|
| 1 | Qwen3-235B-A22B-Thinking-2507 | Alibaba Cloud / Qwen Team | 93.8 | 来源 |
| 2 | Kimi K2-Instruct-0905 | Moonshot AI | 92.7 | 来源 |
| 3 | Qwen3-Next-80B-A3B-Thinking | Alibaba Cloud / Qwen Team | 92.5 | 来源 |
| 4 | Qwen3-Next-80B-A3B-Instruct | Alibaba Cloud / Qwen Team | 90.9 | 来源 |