LiveBench · 语言与指令
LiveBench / 知识问答 · Language + IF 两项均分，各占 50%。
在 裕瑞产业情报 中参与排名
证据预算NaN%
上游数据时间10/24 11:44
最近成功同步10/24 20:06
它测什么，怎么测
读取 Language 和 IF 的未舍入分项成绩；本来源页保留两项均分。
如何使用这份证据
计分：Language 与 IF 分别计入知识问答领域的语言理解、按要求作答两类。
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 |
|---|---|---|---|
| 1 | gemini-3.8-flash-highGoogle | 84.6% | High 推理 |
| 2 | claude-fable-5-max-effortAnthropic | 83.2% | Max 推理 |
| 3 | gemini-3.7-flash-highGoogle | 82.7% | High 推理 |
| 4 | gpt-6-astra-maxOpenAI | 82.5% | Max 推理 |
| 5 | gemini-3.1-pro-preview-highGoogle | 82.2% | High 推理 |
| 6 | gpt-6.1-sol-maxOpenAI | 82.1% | Max 推理 |
| 7 | claude-fable-5-1-max-effortAnthropic | 81.2% | Max 推理 |
| 8 | muse-spark-1.3-xhighMeta | 80.4% | xHigh 推理 |
| 9 | gemini-3.5-flash-highGoogle | 80.1% | High 推理 |
| 11 | gpt-5.6-sol-maxOpenAI | 79.8% | Max 推理 |
| 12 | gemini-3.6-flash-highGoogle | 79.6% | High 推理 |
| 13 | gpt-5.5-xhighOpenAI | 79.0% | xHigh 推理 |
| 14 | kimi-k3Moonshot AI | 78.4% | 来源默认配置 |
| 15 | muse-wonder-1.0-maxMeta | 78.0% | Max 推理 |
| 16 | grok-4.6xAI | 77.8% | 来源默认配置 |
| 17 | grok-4.7-xhighxAI | 77.7% | xHigh 推理 |
| 18 | smaug-agenticAbacus.AI | 77.7% | 来源默认配置 |
| 19 | grok-4.5xAI | 77.2% | 来源默认配置 |
| 21 | gpt-6-sol-maxOpenAI | 76.9% | Max 推理 |
| 22 | qwen3.7-maxAlibaba | 76.9% | 来源默认配置 |
| 23 | qwen3.8-maxAlibaba | 76.9% | 来源默认配置 |
| 24 | muse-spark-1.2-xhighMeta | 76.4% | xHigh 推理 |
| 25 | gpt-5.4-xhighOpenAI | 76.4% | xHigh 推理 |
| 27 | claude-opus-5-max-effortAnthropic | 76.2% | Max 推理 |
| 28 | claude-opus-5-5-max-effortAnthropic | 76.0% | Max 推理 |
| 29 | qwen3.8-flash-nextAlibaba | 75.9% | 来源默认配置 |
| 30 | claude-opus-4-8-max-effortAnthropic | 75.8% | Max 推理 |
| 31 | deepseek-v4-flash-vision-expDeepSeek | 75.7% | 来源默认配置 |
| 32 | deepseek-v4.1-flash-maxDeepSeek | 75.6% | 来源默认配置 |
| 33 | smaug-miniAbacus.AI | 75.5% | 来源默认配置 |
评测局限与数据署名
两项均分衡量组合表现，不能当成 Language 单项成绩。官方页面切换分类或是否包含微调模型时，分数与排序会随之变化。组织参与方 Abacus.AI 同时开发 Smaug 模型，其独家成绩需要其他独立来源补充。
数据许可：Apache 2.0
分项成绩由 LiveBench 发布，AIHOT 按上述两类等权汇总并排序。各项分数尺度不同，不能直接相加；参考排序采用固定参照尺度。