评测基准

Agents' Last Exam text · EN Finance Agent text · EN FinanceAgent text · EN Terminal Bench 2.0 text · EN Toolathlon text · EN Toolathlon-Verified text · EN 智能体能力榜·Hermes text · 多语言 智能体能力榜·Hermes·平均 Token(K) text · 多语言 智能体能力榜·Hermes·平均成本 text · 多语言 智能体能力榜·Hermes·平均耗时(分钟) text · 多语言 智能体能力榜·Hermes·平均请求数 text · 多语言 智能体能力榜·OpenClaw text · 多语言 智能体能力榜·OpenClaw·平均 Token(K) text · 多语言 智能体能力榜·OpenClaw·平均成本 text · 多语言 智能体能力榜·OpenClaw·平均耗时(分钟) text · 多语言 智能体能力榜·OpenClaw·平均请求数 text · 多语言

Arena AI Agent Elo text · 多语言 Arena AI Code Elo text · EN Arena AI Document Elo text · 多语言 Arena AI image edit Elo image · EN Arena AI image to video Elo image · EN Arena AI Search Elo text · 多语言 Arena AI Text Elo text · 多语言 Arena AI text to image Elo image · EN Arena AI text to video Elo image · EN Arena AI video edit Elo image · EN Arena AI Vision Elo vision · 多语言 模型竞技榜（多模态） multimodal · 多语言 模型竞技榜（文本） text · 多语言

Common Voice 15 audio · 多语言 CoVoST2 audio · 多语言 CoVoST2 en-zh audio · 多语言 GiantSteps Tempo audio · EN MMAU multimodal · EN MMAU Music multimodal · EN MMAU Sound multimodal · EN MMAU Speech multimodal · EN MusicCaps multimodal · EN OmniBench Music multimodal · EN VocalSound audio · EN

GPQA Chemistry text · EN MMLU-STEM text · EN OpenAI MMLU text · EN SciCode text · EN SuperGPQA text · EN

Aider text · EN Aider-Polyglot text · EN Aider-Polyglot Edit text · EN Artificial Analysis Coding Agent Index text · EN Artificial Analysis Coding Index text · EN CFEval text · EN Codegolf v2.2 text · EN DeepSWE text · EN EvalPlus text · EN FrontierCode text · EN FrontierSWE text · EN Gorilla Benchmark API Bench text · EN HumanEval text · EN HumanEval Plus text · EN Kimi Code Bench text · EN LiveCodeBench text · EN LiveCodeBench Pro text · EN MBPP Plus text · EN Multi-SWE-Bench text · 多语言 RepoBench text · EN RepoQA text · 多语言 SciCode text · EN SWE-Atlas Codebase QnA text · EN SWE-Atlas Refactoring text · EN SWE-Atlas Test Writing text · EN SWE-bench Multilingual text · 多语言 SWE-Bench Pro text · EN SWE-Bench Verified text · EN SWE-bench Verified (Agentic Coding) text · EN SWE-Lancer text · EN SWE-Lancer (IC-Diamond subset) text · EN Terminal-Bench text · EN Terminal-Bench 2.1 text · EN Terminal-Bench Hard text · EN Terminus text · EN

MM-MT-Bench multimodal · EN MT-Bench text · EN Multi-Challenge text · EN Multi-IF text · 多语言 Scale MultiChallenge text · EN TAU-bench Airline text · EN TAU-bench Retail text · EN Tau2 Airline text · EN Tau2 Retail text · EN Tau2 Telecom text · EN VoiceBench Avg multimodal · EN WritingBench text · 多语言

AlpacaEval 2.0 text · EN Arena Hard text · EN Arena-Hard v2 text · EN Creative Writing v3 text · EN WritingBench text · 多语言

OpenAI MMLU text · EN SuperGPQA text · EN

FinQA text · EN OpenAI MMLU text · EN SuperGPQA text · EN TheoremQA text · EN TruthfulQA text · EN

MM-Mind2Web multimodal · EN MobileMiniWob++_SR multimodal · EN SWE-Bench Verified text · EN SWE-Dev text · EN VisualWebBench multimodal · EN

AA-Index text · EN ACEBench text · EN AGIEval text · EN AI2 Reasoning Challenge (ARC) text · EN Aider-Polyglot text · EN Aider-Polyglot Edit text · EN AlignBench text · 多语言 AlpacaEval 2.0 text · EN AndroidWorld_SR multimodal · EN Arc multimodal · EN ARC-AGI-1 text · EN ARC-AGI-2 text · EN ARC-C text · EN ARC-E text · EN Arena Hard text · EN Arena-Hard v2 text · EN Artificial Analysis Intelligence Index text · EN AutomationBench text · EN BFCL text · EN BFCL v2 text · 多语言 BFCL_v3_MultiTurn text · EN BFCL-v3 text · EN BIG-Bench Extra Hard text · EN BigCodeBench text · EN BigCodeBench-Full text · EN BigCodeBench-Hard text · EN C-Eval text · 多语言 CharXiv Reasoning text · EN Claw-eval text · EN ClawEval text · EN CMMLU text · 多语言 CSimpleQA text · 多语言 CTI-REALM text · EN DS-FIM-Eval text · EN FORTE text · EN French MMLU text · 多语言 GDPval text · EN GDPval-AA text · EN GeneBench text · EN Global-MMLU text · 多语言 Global-MMLU-Lite text · 多语言 GPQA text · EN GPQA Biology text · EN GPQA Diamond text · EN HumanEvalFIM-Average text · EN Humanity's Last Exam multimodal · EN Humanity's Last Exam text · EN IF text · EN IFBench text · EN IFEval text · EN Include text · EN Instruct HumanEval text · EN Internal API instruction following (hard) text · EN JobBench text · EN Kimi Claw 24/7 Bench text · EN LiveBench text · EN LiveBench 20241125 text · EN LiveCodeBench text · EN LiveCodeBench v5 text · EN LiveCodeBench v5 24.12-25.2 text · EN LiveCodeBench v6 text · EN LiveCodeBench(01-09) text · EN Long Context Reasoning text · EN LongBench v2 text · 多语言 LongFact Concepts text · EN LongFact Objects text · EN LSAT text · EN MBPP text · EN MBPP ++ base version text · EN MBPP EvalPlus text · EN MBPP EvalPlus (base) text · EN MBPP pass@1 text · EN MBPP+ text · EN MCP Atlas text · EN MCP Mark Verified text · EN MLS Bench Lite text · EN MLVU-M text · EN MME-RealWorld multimodal · EN MMLU text · EN MMLU (CoT) text · EN MMLU Chat text · EN MMLU French text · 多语言 MMLU-Base text · EN MMLU-Pro text · EN MMLU-ProX text · EN MMLU-Redux text · EN MMLU-redux-2.0 text · EN MMMLU text · 多语言 MMMU multimodal · EN MMMU (val) multimodal · EN MMMU (validation) multimodal · EN MMMU-Pro multimodal · EN MMMUval multimodal · EN MMStar multimodal · EN MMT-Bench multimodal · EN MMVet multimodal · EN MMVetGPT4Turbo multimodal · EN MRCR text · EN MRCR 1M text · EN MRCR 1M (pointwise) text · EN MRCR v2 text · EN MRCR v2 (8-needle) text · EN MRCRv2 text · EN MT-Bench text · EN MultiLF text · EN Multilingual MMLU text · 多语言 MultiPL-E text · 多语言 Multipl-E HumanEval text · 多语言 Multipl-E MBPP text · 多语言 Natural Questions text · EN Natural2Code text · EN Nexus text · EN NL2Repo text · EN NMOS text · EN NQ text · EN OpenAI MMLU text · EN OpenBookQA text · EN OSWorld multimodal · EN OSWorld Extended multimodal · EN OSWorld Screenshot-only multimodal · EN OSWorld-Verified text · EN PhiBench text · EN PIQA text · EN PopQA text · EN Program Bench text · EN Scale MultiChallenge text · EN SimpleQA text · EN SuperGLUE text · EN SuperGPQA text · EN SWE-bench Verified (Agentless) text · EN Tau-bench text · EN TriviaQA text · EN TruthfulQA text · EN Vibe-Eval multimodal · EN VoiceBench Avg multimodal · EN Wild Bench text · EN τ²-Bench Telecom text · EN τ3 Banking text · EN 大语言模型综合能力榜 text · 多语言 大语言模型综合能力榜·Academic Reasoning text · 多语言 大语言模型综合能力榜·Chat text · 多语言 大语言模型综合能力榜·Common Reasoning text · 多语言 大语言模型综合能力榜·Comprehensive Coding Ability text · 多语言 大语言模型综合能力榜·Comprehensive Tool Using text · 多语言 大语言模型综合能力榜·Creation text · 多语言 大语言模型综合能力榜·Higher Math text · 多语言 大语言模型综合能力榜·IF text · 多语言 大语言模型综合能力榜·Knowledge CommonSense text · 多语言 大语言模型综合能力榜·Knowledge Engineering text · 多语言 大语言模型综合能力榜·Knowledge Humanity text · 多语言 大语言模型综合能力榜·Knowledge Science text · 多语言 大语言模型综合能力榜·Knowledge Social Science text · 多语言 大语言模型综合能力榜·Math Competition text · 多语言 大语言模型综合能力榜·NLP text · 多语言 大语言模型综合能力榜·代码 text · 多语言 大语言模型综合能力榜·推理 text · 多语言 大语言模型综合能力榜·数学 text · 多语言 大语言模型综合能力榜·智能体 text · 多语言 大语言模型综合能力榜·知识 text · 多语言 大语言模型综合能力榜·语言 text · 多语言 开源模型能力榜 text · 多语言 开源模型能力榜·AIME2025 text · 多语言 开源模型能力榜·GPQA-Diamond text · 多语言 开源模型能力榜·HLE text · 多语言 开源模型能力榜·IFEval text · 多语言 开源模型能力榜·LiveCodeBenchV6 text · 多语言 开源模型能力榜·MMLU-Pro text · 多语言

CheXpert CXR image · EN CRPErelation text · EN DermMCQA text · EN HealthBench text · EN HealthBench Hard text · EN MedXpertQA multimodal · EN MIMIC CXR multimodal · EN OpenAI MMLU text · EN PathMCQA multimodal · EN SlakeVQA multimodal · 多语言 SuperGPQA text · EN TruthfulQA text · EN VQA-Rad multimodal · EN

OCRBench multimodal · EN OCRBench_V2 multimodal · 多语言 OCRBench-V2 (en) multimodal · EN OCRBench-V2 (zh) multimodal · ZH TextVQA multimodal · EN

AlignBench text · 多语言 BBH text · EN BIG-Bench text · 多语言 BIG-Bench Extra Hard text · EN BIG-Bench Hard text · EN BoolQ text · EN CharadesSTA multimodal · EN CLUEWSC text · 多语言 CMMLU text · 多语言 COLLIE text · EN Common Voice 15 audio · 多语言 CommonSenseQA text · EN CoVoST2 audio · 多语言 CoVoST2 en-zh audio · 多语言 CSimpleQA text · 多语言 ECLeKTic text · 多语言 FLEURS audio · 多语言 French MMLU text · 多语言 Global-MMLU text · 多语言 Global-MMLU-Lite text · 多语言 MEGA MLQA text · 多语言 MEGA TyDi QA text · 多语言 MEGA UDPOS text · 多语言 MEGA XCOPA text · 多语言 MEGA XStoryCloze text · 多语言 MMLU text · EN MMLU (CoT) text · EN MMLU Chat text · EN MMLU French text · 多语言 MMLU-Base text · EN MMLU-Pro text · EN MMLU-ProX text · EN MMLU-Redux text · EN MMLU-redux-2.0 text · EN MMMLU text · 多语言 Multi-IF text · 多语言 MultiChallenge (o3-mini grader) text · EN Multilingual MMLU text · 多语言 MultiPL-E text · 多语言 Multipl-E HumanEval text · 多语言 Open-rewrite text · EN Spider text · EN SQuALITY text · EN SuperGLUE text · EN TLDR9+ (test) text · EN Translation en→Set1 COMET22 text · 多语言 Translation en→Set1 spBleu text · 多语言 Translation Set1→en COMET22 text · 多语言 Translation Set1→en spBleu text · 多语言 TydiQA text · 多语言 VATEX multimodal · 多语言 VQAv2 (val) multimodal · EN Winogrande text · EN WMT23 text · 多语言 WMT24++ text · 多语言 XLSum English text · 多语言

LSAT text · EN OpenAI MMLU text · EN SuperGPQA text · EN TruthfulQA text · EN Uniform Bar Exam text · EN

ComplexFuncBench text · EN EgoSchema video · EN FlenQA text · EN GovReport text · EN Graphwalks BFS >128k text · EN Graphwalks parents >128k text · EN InfiniteBench/En.MC text · EN InfiniteBench/En.QA text · EN LongBench v2 text · 多语言 LongVideoBench multimodal · EN LVBench multimodal · EN MLVU multimodal · EN MRCR text · EN MRCR 1M text · EN MRCR 1M (pointwise) text · EN MRCR v2 text · EN MRCR v2 (8-needle) text · EN NIH/Multi-needle text · EN OpenAI-MRCR: 2 needle 128k text · EN OpenAI-MRCR: 2 needle 1M text · EN OpenAI-MRCR: 2 needle 256k text · EN Qasper text · EN QMSum text · EN RepoQA text · 多语言 RULER text · EN SQuALITY text · EN SummScreenFD text · EN

AGIEval text · EN AIME text · EN AIME 2024 text · EN AIME 2025 text · EN AlignBench text · 多语言 AMC_2022_23 text · EN BBH text · EN BIG-Bench text · 多语言 BIG-Bench Hard text · EN CBNSL text · EN CNMO 2024 text · EN CodeForces text · EN DROP text · EN FinQA text · EN FrontierMath text · EN FunctionalMATH text · EN GSM-8K (CoT) text · EN GSM8k text · EN GSM8K Chat text · EN HiddenMath text · EN HLE multimodal · EN HMMT 2025 text · EN HMMT25 text · EN InterGPS text · EN LiveBench text · EN LiveBench 20241125 text · EN MATH text · EN MATH (CoT) text · EN MATH-500 text · EN MathVision multimodal · EN MathVista multimodal · EN MathVista-Mini multimodal · EN MGSM text · 多语言 MMLU text · EN MMLU (CoT) text · EN MMLU Chat text · EN MMLU French text · 多语言 MMLU-Base text · EN MMLU-Pro text · EN MMLU-ProX text · EN MMLU-Redux text · EN MMLU-redux-2.0 text · EN MMLU-STEM text · EN MMMLU text · 多语言 MMVet multimodal · EN MMVetGPT4Turbo multimodal · EN Multilingual MGSM (CoT) text · 多语言 OlympiadBench multimodal · 多语言 OmniMath text · EN OpenAI MMLU text · EN PhiBench text · EN PhysicsFinals text · EN PolyMATH multimodal · EN PolyMath-en text · 多语言 SAT Math text · EN SciCode text · EN ScienceQA multimodal · EN STEM multimodal · EN SuperGPQA text · EN TheoremQA text · EN USAMO25 text · EN

AI2D multimodal · EN AITZ_EM multimodal · EN Android Control High_EM multimodal · EN Android Control Low_EM multimodal · EN AndroidWorld_SR multimodal · EN BLINK multimodal · EN CC-OCR multimodal · 多语言 CharadesSTA multimodal · EN ChartQA multimodal · EN CharXiv-D multimodal · EN CharXiv-R multimodal · EN DocVQA multimodal · EN DocVQAtest multimodal · EN GroundUI-1K multimodal · EN InfographicsQA multimodal · EN InfoVQA multimodal · EN InfoVQAtest multimodal · EN LongVideoBench multimodal · EN LVBench multimodal · EN MathVision multimodal · EN MathVista multimodal · EN MathVista-Mini multimodal · EN MedXpertQA multimodal · EN Meld multimodal · EN MIMIC CXR multimodal · EN MLVU multimodal · EN MM IF-Eval multimodal · EN MM-Mind2Web multimodal · EN MM-MT-Bench multimodal · EN MMAU multimodal · EN MMAU Music multimodal · EN MMAU Sound multimodal · EN MMAU Speech multimodal · EN MMBench multimodal · 多语言 MMBench_test multimodal · EN MMBench-V1.1 multimodal · 多语言 MMBench-Video multimodal · EN MME multimodal · EN MME-RealWorld multimodal · EN MMMU multimodal · EN MMMU (val) multimodal · EN MMMU (validation) multimodal · EN MMMU-Pro multimodal · EN MMMUval multimodal · EN MMStar multimodal · EN MMT-Bench multimodal · EN MMVet multimodal · EN MMVetGPT4Turbo multimodal · EN MobileMiniWob++_SR multimodal · EN MTVQA multimodal · 多语言 MuirBench multimodal · EN MusicCaps multimodal · EN MVBench multimodal · EN OlympiadBench multimodal · 多语言 OmniBench multimodal · EN OmniBench Music multimodal · EN OSWorld multimodal · EN OSWorld Extended multimodal · EN OSWorld Screenshot-only multimodal · EN PathMCQA multimodal · EN PerceptionTest multimodal · EN PointGrounding multimodal · EN PolyMATH multimodal · EN POPE multimodal · EN ScienceQA multimodal · EN ScienceQA Visual multimodal · EN ScreenSpot multimodal · EN ScreenSpot Pro multimodal · EN SlakeVQA multimodal · 多语言 STEM multimodal · EN TempCompass multimodal · EN TextVQA multimodal · EN VATEX multimodal · 多语言 Vibe-Eval multimodal · EN Video-MME multimodal · 多语言 Video-MME (long, no subtitles) multimodal · 多语言 Video-MMEw sub multimodal · 多语言 VideoMME w sub. multimodal · EN VideoMME w/o sub. multimodal · EN VideoMMMU multimodal · EN VisualWebBench multimodal · EN VQA-Rad multimodal · EN VQAv2 multimodal · EN VQAv2 (test) multimodal · EN VQAv2 (val) multimodal · EN

GPQA Physics text · EN MMLU-STEM text · EN OlympiadBench multimodal · 多语言 OpenAI MMLU text · EN PerceptionTest multimodal · EN PhysicsFinals text · EN PIQA text · EN SciCode text · EN SuperGPQA text · EN TheoremQA text · EN

Meld multimodal · EN OpenAI MMLU text · EN Social IQa text · EN

ACEBench text · EN AGIEval text · EN AI2 Reasoning Challenge (ARC) text · EN AI2D multimodal · EN Aider text · EN AIME text · EN AIME 2024 text · EN AIME 2025 text · EN AITZ_EM multimodal · EN AlignBench text · 多语言 AlpacaEval 2.0 text · EN AMC_2022_23 text · EN Android Control High_EM multimodal · EN Android Control Low_EM multimodal · EN AndroidWorld_SR multimodal · EN API-Bank text · EN Arc multimodal · EN ARC-AGI image · EN ARC-AGI v2 multimodal · EN ARC-C text · EN ARC-E text · EN Arena Hard text · EN Arena-Hard v2 text · EN AutoLogi text · 多语言 BBH text · EN BFCL text · EN BFCL v2 text · 多语言 BFCL_v3_MultiTurn text · EN BFCL-v3 text · EN BIG-Bench text · 多语言 BIG-Bench Extra Hard text · EN BIG-Bench Hard text · EN BigCodeBench text · EN BigCodeBench-Full text · EN BigCodeBench-Hard text · EN Bird-SQL (dev) text · EN BLINK multimodal · EN BoolQ text · EN BrowseComp text · EN BrowseComp Long Context 128k text · EN BrowseComp Long Context 256k text · EN BrowseComp-zh text · 多语言 C-Eval text · 多语言 CBNSL text · EN ChartQA multimodal · EN CharXiv-D multimodal · EN CharXiv-R multimodal · EN CLUEWSC text · 多语言 CMMLU text · 多语言 CodeForces text · EN COLLIE text · EN CommonSenseQA text · EN ComplexFuncBench text · EN CRAG text · EN CRPErelation text · EN CRUX-O text · EN CRUXEval-Input-CoT text · EN CruxEval-O text · EN CRUXEval-Output-CoT text · EN DROP text · EN DS-Arena-Code text · EN ECLeKTic text · 多语言 EgoSchema video · EN ERQA multimodal · EN EvalPlus text · EN FACTS Grounding text · EN FActScore text · EN FinQA text · EN FlenQA text · EN FRAMES text · EN French MMLU text · 多语言 FrontierMath text · EN FunctionalMATH text · EN Global-MMLU text · 多语言 Global-MMLU-Lite text · 多语言 Gorilla Benchmark API Bench text · EN GPQA text · EN GPQA Biology text · EN GPQA Chemistry text · EN GPQA Physics text · EN Graphwalks BFS <128k text · EN Graphwalks BFS >128k text · EN Graphwalks parents <128k text · EN Graphwalks parents >128k text · EN GSM-8K (CoT) text · EN GSM8k text · EN GSM8K Chat text · EN Hallusion Bench multimodal · EN HellaSwag text · EN HiddenMath text · EN HLE multimodal · EN HumanEval text · EN HumanEval Plus text · EN HumanEval-Average text · EN HumanEval-ER text · EN HumanEval-Mul text · 多语言 HumanEval+ text · EN LBPP (v2) text · EN LiveBench text · EN LiveBench 20241125 text · EN LiveCodeBench text · EN LiveCodeBench v5 text · EN LiveCodeBench v5 24.12-25.2 text · EN LiveCodeBench v6 text · EN LiveCodeBench(01-09) text · EN LongBench v2 text · 多语言 LongFact Concepts text · EN LongFact Objects text · EN LSAT text · EN MATH text · EN MATH (CoT) text · EN MATH-500 text · EN MBPP text · EN MBPP ++ base version text · EN MBPP EvalPlus text · EN MBPP EvalPlus (base) text · EN MBPP pass@1 text · EN MBPP Plus text · EN MBPP+ text · EN MedXpertQA multimodal · EN MEGA MLQA text · 多语言 MEGA TyDi QA text · 多语言 MEGA XCOPA text · 多语言 MEGA XStoryCloze text · 多语言 MGSM text · 多语言 MM IF-Eval multimodal · EN MM-Mind2Web multimodal · EN MMAU multimodal · EN MMAU Music multimodal · EN MMAU Sound multimodal · EN MMAU Speech multimodal · EN MMBench multimodal · 多语言 MMBench_test multimodal · EN MMBench-V1.1 multimodal · 多语言 MMBench-Video multimodal · EN MME multimodal · EN MMLU text · EN MMLU (CoT) text · EN MMLU Chat text · EN MMLU French text · 多语言 MMLU-Base text · EN MMLU-Pro text · EN MMLU-ProX text · EN MMLU-Redux text · EN MMLU-redux-2.0 text · EN MMLU-STEM text · EN MMMLU text · 多语言 MMMU multimodal · EN MMMU (val) multimodal · EN MMMU (validation) multimodal · EN MMMU-Pro multimodal · EN MMMUval multimodal · EN MMStar multimodal · EN MMT-Bench multimodal · EN MMVet multimodal · EN MMVetGPT4Turbo multimodal · EN MRCR text · EN MRCR 1M text · EN MRCR 1M (pointwise) text · EN MRCR v2 text · EN MRCR v2 (8-needle) text · EN MT-Bench text · EN MuirBench multimodal · EN Multi-Challenge text · EN Multi-IF text · 多语言 Multi-SWE-Bench text · 多语言 MultiChallenge (o3-mini grader) text · EN Multilingual MGSM (CoT) text · 多语言 Multilingual MMLU text · 多语言 Multipl-E MBPP text · 多语言 MuSR text · EN MVBench multimodal · EN Natural Questions text · EN Natural2Code text · EN NQ text · EN OJBench text · EN OlympiadBench multimodal · 多语言 OmniBench multimodal · EN OmniMath text · EN OpenAI MMLU text · EN OpenAI-MRCR: 2 needle 128k text · EN OpenAI-MRCR: 2 needle 1M text · EN OpenAI-MRCR: 2 needle 256k text · EN OpenBookQA text · EN OSWorld Extended multimodal · EN PathMCQA multimodal · EN PerceptionTest multimodal · EN PhiBench text · EN PhysicsFinals text · EN PIQA text · EN PolyMATH multimodal · EN PolyMath-en text · 多语言 PopQA text · EN Qasper text · EN RepoBench text · EN RepoQA text · 多语言 RULER text · EN SAT Math text · EN Scale MultiChallenge text · EN SciCode text · EN ScienceQA multimodal · EN ScienceQA Visual multimodal · EN SimpleQA text · EN SlakeVQA multimodal · 多语言 Social IQa text · EN Spider text · EN STEM multimodal · EN SuperGLUE text · EN SuperGPQA text · EN SWE-bench Multilingual text · 多语言 SWE-Bench Verified text · EN SWE-bench Verified (Agentic Coding) text · EN SWE-bench Verified (Agentless) text · EN SWE-bench Verified (Multiple Attempts) text · EN SWE-Lancer text · EN SWE-Lancer (IC-Diamond subset) text · EN Tau-bench text · EN TAU-bench Airline text · EN TAU-bench Retail text · EN Tau2 Airline text · EN Tau2 Retail text · EN Tau2 Telecom text · EN TempCompass multimodal · EN Terminal-Bench text · EN Terminus text · EN TheoremQA text · EN TriviaQA text · EN TruthfulQA text · EN TydiQA text · 多语言 Uniform Bar Exam text · EN USAMO25 text · EN VCR_en_easy multimodal · EN Video-MME multimodal · 多语言 Video-MMEw sub multimodal · 多语言 VideoMMMU multimodal · EN VoiceBench Avg multimodal · EN VQAv2 multimodal · EN VQAv2 (test) multimodal · EN VQAv2 (val) multimodal · EN Wild Bench text · EN Winogrande text · EN ZebraLogic text · EN

AlignBench text · 多语言 MT-Bench text · EN

AttaQ text · EN Cybersecurity CTFs text · EN POPE multimodal · EN VoiceBench Avg multimodal · EN XSTest text · EN

BrowseComp text · EN BrowseComp Long Context 128k text · EN BrowseComp Long Context 256k text · EN BrowseComp-zh text · 多语言 CRAG text · EN FRAMES text · EN Natural Questions text · EN

价值对齐榜 text · 多语言 价值对齐榜·Data Protection text · 多语言 价值对齐榜·Fairness text · 多语言 价值对齐榜·Legality text · 多语言 价值对齐榜·Morality text · 多语言 价值对齐榜·Safety text · 多语言 多模态安全榜 multimodal · 多语言 多模态安全榜·Bias multimodal · 多语言 多模态安全榜·Health Risk multimodal · 多语言 多模态安全榜·Legality multimodal · 多语言 多模态安全榜·Misinformation multimodal · 多语言 多模态安全榜·Privacy multimodal · 多语言 多模态安全榜·Toxicity multimodal · 多语言 安全防御榜 text · 多语言 安全防御榜·Bias text · 多语言 安全防御榜·Child Safety text · 多语言 安全防御榜·Human Rights text · 多语言 安全防御榜·Info Safety text · 多语言 安全防御榜·Malicious Use text · 多语言 安全防御榜·Socioeconomic text · 多语言 安全防御榜·Toxicity text · 多语言 对齐可靠榜 text · 多语言 对齐可靠榜·Civic Virtue text · 多语言 对齐可靠榜·Fairness text · 多语言 对齐可靠榜·Individual Harm text · 多语言 对齐可靠榜·Legality text · 多语言 对齐可靠榜·Privacy text · 多语言

ARC-AGI image · EN ARC-AGI v2 multimodal · EN ERQA multimodal · EN Graphwalks BFS <128k text · EN Graphwalks BFS >128k text · EN Graphwalks parents <128k text · EN Graphwalks parents >128k text · EN InterGPS text · EN MMVet multimodal · EN MMVetGPT4Turbo multimodal · EN MVBench multimodal · EN PerceptionTest multimodal · EN PointGrounding multimodal · EN PolyMATH multimodal · EN RealWorldQA multimodal · EN ScreenSpot multimodal · EN ScreenSpot Pro multimodal · EN

Common Voice 15 audio · 多语言 CoVoST2 audio · 多语言 CoVoST2 en-zh audio · 多语言 FLEURS audio · 多语言 MMAU Speech multimodal · EN

GovReport text · EN QMSum text · EN SQuALITY text · EN SummScreenFD text · EN TLDR9+ (test) text · EN XLSum English text · 多语言

CC-OCR multimodal · 多语言 MTVQA multimodal · 多语言

ActivityNet video · EN CharadesSTA multimodal · EN MLVU multimodal · EN MMBench-Video multimodal · EN MVBench multimodal · EN PerceptionTest multimodal · EN VATEX multimodal · 多语言 Video-MME (long, no subtitles) multimodal · 多语言 VideoMME w sub. multimodal · EN VideoMME w/o sub. multimodal · EN

ActivityNet video · EN AI2D multimodal · EN ARC-AGI image · EN ARC-AGI v2 multimodal · EN BabyVision text · EN BLINK multimodal · EN CC-OCR multimodal · 多语言 ChartQA multimodal · EN CharXiv-D multimodal · EN CharXiv-R multimodal · EN CheXpert CXR image · EN DocVQA multimodal · EN DocVQAtest multimodal · EN EgoSchema video · EN ERQA multimodal · EN GroundUI-1K multimodal · EN Hallusion Bench multimodal · EN InfographicsQA multimodal · EN InfoVQA multimodal · EN InfoVQAtest multimodal · EN LMArena Text-to-Video Arena text · EN LongVideoBench multimodal · EN LVBench multimodal · EN MathVision multimodal · EN MathVista multimodal · EN MathVista-Mini multimodal · EN MIMIC CXR multimodal · EN MMBench multimodal · 多语言 MMBench_test multimodal · EN MMBench-V1.1 multimodal · 多语言 MME multimodal · EN MME-RealWorld multimodal · EN MMMU (val) multimodal · EN MMMU (validation) multimodal · EN MMMU-Pro multimodal · EN MMMUval multimodal · EN MMStar multimodal · EN MMT-Bench multimodal · EN MMVet multimodal · EN MMVetGPT4Turbo multimodal · EN MTVQA multimodal · 多语言 MuirBench multimodal · EN MVBench multimodal · EN OCRBench multimodal · EN OCRBench_V2 multimodal · 多语言 OCRBench-V2 (en) multimodal · EN OCRBench-V2 (zh) multimodal · ZH ODinW image · EN OSWorld multimodal · EN OSWorld Screenshot-only multimodal · EN PathMCQA multimodal · EN PointGrounding multimodal · EN PolyMATH multimodal · EN POPE multimodal · EN RealWorldQA multimodal · EN ScienceQA Visual multimodal · EN ScreenSpot multimodal · EN ScreenSpot Pro multimodal · EN SlakeVQA multimodal · 多语言 TempCompass multimodal · EN TextVQA multimodal · EN VCR_en_easy multimodal · EN Vibe-Eval multimodal · EN Video-MME multimodal · 多语言 Video-MME (long, no subtitles) multimodal · 多语言 Video-MMEw sub multimodal · 多语言 VideoMME w sub. multimodal · EN VideoMME w/o sub. multimodal · EN VideoMMMU multimodal · EN VisualWebBench multimodal · EN VQA-Rad multimodal · EN VQAv2 multimodal · EN VQAv2 (test) multimodal · EN VQAv2 (val) multimodal · EN 多模态安全榜 multimodal · 多语言 多模态安全榜·Bias multimodal · 多语言 多模态安全榜·Health Risk multimodal · 多语言 多模态安全榜·Legality multimodal · 多语言 多模态安全榜·Misinformation multimodal · 多语言 多模态安全榜·Privacy multimodal · 多语言 多模态安全榜·Toxicity multimodal · 多语言 多模态开源模型榜 multimodal · 多语言 多模态开源模型榜·AI2D multimodal · 多语言 多模态开源模型榜·HallusionBench multimodal · 多语言 多模态开源模型榜·MathVista multimodal · 多语言 多模态开源模型榜·MMBench TEST multimodal · 多语言 多模态开源模型榜·MMMU VAL multimodal · 多语言 多模态开源模型榜·MMStar multimodal · 多语言 多模态开源模型榜·MMVet multimodal · 多语言 多模态开源模型榜·OCRBench multimodal · 多语言 多模态模型能力榜 multimodal · 多语言 多模态模型能力榜·信息图 multimodal · 多语言 多模态模型能力榜·创作 multimodal · 多语言 多模态模型能力榜·感知 multimodal · 多语言 多模态模型能力榜·推理 multimodal · 多语言 多模态模型能力榜·智能体 multimodal · 多语言 多模态模型能力榜·空间 multimodal · 多语言 多模态模型能力榜·综合（含 Agent） multimodal · 多语言

COLLIE text · EN Creative Writing v3 text · EN Open-rewrite text · EN WritingBench text · 多语言