BullshitBench v2
Peter Gostev / BullshitBench / 知识问答 · 识别问题里的错误前提，观察模型会不会顺着错误继续编造。
在 裕瑞产业情报 中参与排名
证据预算NaN%
上游数据时间10/14 01:39
最近成功同步10/23 20:07
它测什么，怎么测
取官方 v2 最新榜单的 green rate：所有尝试中明确识破错误前提的比例。同一型号按最高推理档位选代表配置，选择不看分数。
如何使用这份证据
计分：知识问答领域的识破错误前提一类。
评测成绩
同一模型测了多个档位时，按固定规则只取一套代表成绩；没有可用成绩的模型标为“未计入”并写明原因。匿名测试型号不展示，名次照搬原榜，每项最多列 30 个。
| 原榜名次 | 原榜型号 | 原始成绩 | 代表配置 |
|---|---|---|---|
| 2 | anthropic/claude-opus-4.8Anthropic | 94.0% | xHigh 推理 |
| 4 | anthropic/claude-sonnet-4.6Anthropic | 91.0% | High 推理 |
| 6 | anthropic/claude-opus-4.5Anthropic | 90.0% | High 推理 |
| 7 | anthropic/claude-opus-4.6Anthropic | 87.0% | High 推理 |
| 11 | anthropic/claude-fable-5Anthropic | 56.0% | xHigh 推理 |
| 13 | anthropic/claude-opus-5Anthropic | 70.0% | xHigh 推理 |
| 15 | anthropic/claude-sonnet-5Anthropic | 78.0% | Max 推理 |
| 17 | qwen/qwen3.5-397b-a17bAlibaba | 78.0% | High 推理 |
| 18 | anthropic/claude-sonnet-4.5Anthropic | 79.0% | High 推理 |
| 20 | moonshotai/kimi-k3Moonshot AI | 74.0% | xHigh 推理 |
| 21 | anthropic/claude-fable-5.1Anthropic | 64.0% | Max 推理 |
| 24 | anthropic/claude-haiku-4.5Anthropic | 77.0% | High 推理 |
| 27 | anthropic/claude-opus-5.5Anthropic | 62.0% | Max 推理 |
| 29 | anthropic/claude-opus-4.7Anthropic | 74.0% | Max 推理 |
| 31 | openai/gpt-6-astraOpenAI | 69.0% | Max 推理 |
| 32 | mistralai/mistral-large-4-0Mistral AI | 68.0% | High 推理 |
| 35 | openai/gpt-6.1-solOpenAI | 59.0% | Max 推理 |
| 37 | z-ai/glm-5.3Z.ai | 66.0% | Max 推理 |
| 43 | qwen/qwen3-max-thinkingAlibaba | 63.0% | High 推理 |
| 46 | google/gemini-4-argonGoogle | 65.0% | High 推理 |
| 47 | minimax/minimax-m3MiniMax | 64.0% | xHigh 推理 |
| 50 | anthropic/claude-haiku-5.5Anthropic | 57.0% | Max 推理 |
| 51 | openai/gpt-6-luna-proOpenAI | 59.0% | Max 推理 |
| 52 | openai/gpt-6-solOpenAI | 54.0% | Max 推理 |
| 54 | anthropic/claude-sonnet-5.5Anthropic | 58.0% | Max 推理 |
| 56 | openai/gpt-6-sol-proOpenAI | 57.0% | Max 推理 |
| 57 | x-ai/grok-4.20-multi-agent-betaxAI | 64.0% | xHigh 推理 |
| 58 | openai/gpt-6-lunaOpenAI | 58.0% | Max 推理 |
| 60 | xiaomi/mimo-v2.5-proXiaomi | 62.0% | xHigh 推理 |
| 62 | qwen/qwen3.6-plusAlibaba | 59.0% | xHigh 推理 |
评测局限与数据署名
全部为错误前提题，不代表一般知识广度；由模型裁判判定。
数据许可：MIT · Copyright (c) 2026 Peter Gostev；官方成绩随同仓库发布，无单独数据许可例外。
成绩由 Peter Gostev / BullshitBench 发布。各项评测的原始分数尺度不同，不能直接相加；AIHOT 按公开规则把它们折算成同一种分数。