基准评测

13项评测

1,631,937次任务评测

2026年9月30日最近运行

智能体与工具

评测模型质量 / 样本结果速度

τ²-Bench Airline评估服务智能体在严格策略限制下完成多轮对话和工具调用的能力。135质量80.6%80s

搜索

评测模型质量 / 样本结果速度

BrowseComp通过多步骤研究，在实时网络中查找难以定位的事实。4质量89.0%1.9m DeepSearchQA评估列表类问题的完整检索能力，排除无关内容。4质量77.0%1.6m Humanity’s Last Exam通过实时搜索回答专家级问题，并与参考答案进行比较。4质量77.4%48s WideSearch填写完整表格，按各项答案的准确性计分。4质量84.0%1.9m

推理

评测模型质量 / 样本结果速度

GPQA Diamond使用难以直接检索的研究生级科学问题，评估严谨推理能力。149质量94.6%21s VGI-Bench通过长视频选择题，评估对画面、对话及未发生事件的理解。37质量68.6%68s

媒体

评测模型质量 / 样本结果速度

图像用深度、方向、计数和画面文字等高难度提示评估图像生成。51样本$0.0072s 视频所有模型采用统一时长和分辨率，生成六秒视频。25样本$0.2445s 语音用同一句话评估不同声音的语音还原和指令执行效果。18样本$0.0001s 表情创作编辑表情图片或制作动画，评估结果是否符合要求。58样本$0.0107s

作品生成

评测模型质量 / 样本结果速度

绘画文本模型根据提示生成绘画，再按图像质量评分。204样本$0.0000322s 游戏文本模型根据一次任务描述，生成可玩的游戏。29样本$0.00341s

查看这些模型的用量数据，请前往模型排行榜以及完整模型列表.