评测榜单

致力于探索最先进的大模型，为产研界提供全面、客观、中立的评测参考

Rank Model Score WTQ PeopleRelQA ReportFixer KCQAD AttributionNLI ASPBench-ASC AffairQA BioTextQA MatTextQA PharmKGQA ChineseLawFact VersiCode UAQFact TaxReasoner ElaBench
o4-mini 54.79  79.80  3.50  49.30  41.20  69.67  35.95  44.50  88.10  71.43  42.86  69.63  67.75  62.00  27.00  69.23 
GPT-5-mini 53.48  82.03  4.30  84.73  43.60  58.00  17.00  42.00  88.57  77.62  47.37  73.50  55.31  56.00  26.00  46.15 
DeepSeek-R1 47.74  74.30  6.80  59.70  64.44  71.20  32.20  45.50  33.81  50.48  31.37  58.00  65.60  46.00  46.00  30.77 
4 GPT-5-nano 46.65  82.20  2.89  51.47  31.60  56.00  9.00  42.00  86.67  73.81  39.71  65.00  49.29  44.00  20.00  46.15 
5 Llama4-Maverick 46.51  72.00  3.50  32.10  36.20  52.00  30.67  43.50  82.38  71.43  40.48  73.12  64.78  48.00  20.00  27.46 
6 DeepSeek-V3 45.07  69.90  2.60  57.90  56.20  56.00  48.90  42.50  55.71  39.90  39.04  53.87  37.40  36.00  34.00  46.15 
7 GPT4o 43.56  69.40  3.20  44.70  64.00  63.00  23.40  41.00  43.81  61.43  39.23  56.63  66.50  42.00  12.00  23.08 
8 QWQ-32B 43.46  70.50  3.00  32.30  65.53  51.20  18.90  45.00  76.67  62.38  45.67  69.00  23.70  30.00  27.00  31.01 
9 Qwen2.5-72B 43.00  65.50  2.50  38.90  58.40  57.30  15.30  45.00  81.43  62.86  38.09  70.50  35.90  32.00  21.00  20.38 
10 Llama3.1-70B 39.42  47.70  2.20  24.20  47.80  54.50  30.70  40.00  88.57  71.43  34.33  59.38  50.90  28.00  9.00  2.64 
11 Doubao-pro 37.96  46.00  0.00  25.30  41.08  60.10  15.20  40.00  83.33  50.00  27.14  57.50  63.10  28.00  25.00  7.69 
12 GLM4-9B 33.41  39.10  0.20  6.60  55.00  45.10  10.20  38.50  80.95  58.10  17.70  66.25  58.50  14.00  10.00  0.88 
13 ERNIE3.5 31.77  7.30  0.10  19.50  25.20  46.80  2.00  41.50  80.19  49.72  27.47  78.00  59.78  26.00  13.00  nan
14 Qwen2.5-7B 29.21  30.60  0.50  17.00  42.00  35.80  24.50  46.00  50.95  37.50  31.55  62.88  17.80  28.00  10.00  3.02 
15 Llama3.1-8B 26.90  35.70  0.20  2.50  50.20  32.60  10.00  42.00  55.23  55.98  23.53  57.13  11.80  18.00  8.00  0.60 
Rank Model Score WTQ PeopleRelQA ReportFixer KCQAD AttributionNLI ASPBench-ASC AffairQA BioTextQA MatTextQA PharmKGQA ChineseLawFact VersiCode UAQFact TaxReasoner ElaBench
o3 29.86  53.00  20.00  67.70  56.82  22.91  28.55  2.00  41.90  38.46  22.49  23.33  29.58  32.00  4.00  5.17 
GPT-5 27.89  46.00  12.64  79.17  33.33  14.00  10.42  2.00  43.81  73.33  21.53  18.00  16.00  36.00  6.00  6.12 
o4-mini 27.30  45.40  4.00  74.20  42.54  20.83  39.76  0.00  43.33  36.67  21.90  21.67  18.09  36.00  0.00  5.17 
4 Claude4-sonnet 27.12  44.32  12.00  79.26  10.00  33.33  14.00  6.00  84.76  49.53  33.65  30.00  6.00  4.00  0.00  0.00 
5 Qwen3-32B 26.44  33.00  4.00  34.00  12.00  31.25  8.00  0.00  85.71  60.38  34.31  22.00  22.00  48.00  2.00  0.00 
6 GPT-5-mini 26.31  51.00  10.00  82.48  43.60  12.00  12.00  0.00  45.24  38.57  23.44  26.00  16.36  32.00  2.00  0.02 
7 GPT4.1 23.68  44.00  4.00  47.30  51.46  25.00  22.28  2.00  24.29  35.71  18.57  23.33  17.33  40.00  0.00  0.00 
8 o1 22.11  41.00  8.00  36.30  22.60  27.10  26.20  0.00  42.45  33.65  21.15  18.33  8.80  44.00  2.00  0.00 
9 Qwen3-14B 22.01  30.00  4.00  26.00  6.00  25.00  4.00  0.00  91.59  60.38  39.22  24.00  12.00  8.00  0.00  0.00 
10 GPT-5-nano 21.42  45.00  4.00  75.71  31.60  8.00  4.00  0.00  43.33  37.62  18.18  20.00  4.00  28.00  0.00  1.79 
11 Grok3 20.76  44.30  6.00  70.80  4.33  14.60  24.80  3.00  40.00  29.52  19.62  11.67  14.80  28.00  0.00  0.00 
12 Gemini2.5-pro 19.93  37.00  8.00  20.00  22.33  20.83  12.24  2.00  41.90  30.48  21.53  26.67  29.92  12.00  8.00  6.12 
13 Llama4-Maverick 19.61  35.00  6.00  13.30  39.32  12.50  28.43  2.00  40.48  33.81  18.57  16.67  20.00  28.00  0.00  0.00 
14 Qwen3-8B 19.21  30.40  0.00  16.00  10.00  22.91  4.00  0.00  78.10  52.88  31.87  32.00  10.00  0.00  0.00  0.00 
15 ERNIE4.0 18.02  2.00  0.00  32.00  14.00  10.41  4.00  0.00  88.10  60.11  22.53  30.00  7.18  0.00  0.00  nan
16 Baichuan4 17.73  15.80  1.00  15.00  18.93  8.33  0.00  0.00  84.98  59.05  16.88  20.00  14.00  12.00  0.00  0.00 
17 DeepSeek-R1 17.73  37.00  8.00  55.60  8.89  25.00  32.70  0.00  9.52  1.43  5.39  20.00  20.40  36.00  6.00  0.00 
18 DeepSeek-Prover-V2 17.05  29.00  2.00  36.00  32.00  14.00  10.00  2.00  39.52  35.24  16.75  20.00  7.27  12.00  0.00  0.00 
19 GLM4 16.66  12.10  4.00  18.00  4.37  6.25  4.08  0.00  85.71  53.33  22.12  28.00  8.00  4.00  0.00  0.00 
20 GPT4o 16.54  33.00  2.50  39.30  11.00  18.80  22.40  0.00  23.33  30.48  19.62  11.67  0.00  36.00  0.00  0.00 
21 Qwen2.5-72B 15.90  24.50  8.10  21.30  5.40  12.50  15.00  0.00  40.95  31.90  21.43  6.67  14.00  32.00  0.00  4.72 
22 GLM4-32B 15.85  26.50  2.00  34.00  8.00  10.41  4.17  2.00  62.86  28.16  26.26  22.00  3.38  8.00  0.00  0.00 
23 DeepSeek-V3 15.69  6.00  2.00  37.80  5.00  12.50  49.30  0.00  28.10  20.10  17.65  6.67  16.50  28.00  4.00  1.79 
24 ERNIE3.5 14.89  6.00  2.00  50.00  14.00  8.31  2.00  0.00  40.10  23.76  27.47  18.00  7.69  24.00  0.00  nan
25 Claude3.7-sonnet 14.83  39.20  0.40  3.20  3.60  18.80  33.80  0.00  40.00  22.01  18.36  23.33  3.70  16.00  0.00  0.00 
26 Llama3.1-70B 14.34  18.40  0.80  9.80  4.40  8.30  32.20  0.00  44.29  35.24  15.42  20.00  4.50  20.00  0.00  1.79 
27 Hunyuan-turbo 13.79  29.50  3.00  0.80  3.40  2.10  24.90  4.00  41.43  29.05  15.53  23.33  9.80  20.00  0.00  0.00 
28 QWQ-32B 12.60  32.00  0.40  12.00  11.62  16.70  0.00  0.00  38.57  28.57  21.63  21.67  1.90  4.00  0.00  0.00 
29 Doubao-pro 11.48  5.50  0.00  12.20  2.61  6.30  16.70  0.00  42.38  22.86  11.90  16.67  11.10  24.00  0.00  0.00 
30 GLM4-9B 11.46  15.90  0.00  3.10  5.00  2.10  22.10  0.00  41.43  28.57  9.09  26.67  7.40  8.00  0.00  2.52 
31 Llama3.1-8B 10.10  2.00  0.00  0.00  4.20  2.10  9.00  0.00  28.10  26.79  11.76  31.67  0.00  32.00  0.00  3.81 
32 Qwen2.5-7B 9.77  9.50  2.00  0.00  2.20  10.40  22.10  0.00  26.67  17.79  14.29  21.67  0.00  20.00  0.00  0.00 
Rank Model Score
Qwen3-32B 30.48 
Claude4-sonnet 29.66 
Qwen3-14B 29.57 
4 ERNIE4.0 28.95 
5 Qwen3-8B 27.98 
6 GPT-5 27.80 
7 o3 27.51 
8 Baichuan4 27.33 
9 GLM4 25.38 
10 o4-mini 24.32 
11 GPT-5-mini 23.92 
12 GPT4.1 22.83 
13 Gemini2.5-pro 22.33 
14 o1 20.88 
15 Llama4-Maverick 20.40 
16 GPT-5-nano 20.33 
17 DeepSeek-Prover-V2 20.11 
18 GLM4-32B 18.77 
19 QWQ-32B 16.73 
20 Llama3.1-70B 16.29 
21 Claude3.7-sonnet 15.39 
22 GLM4-9B 15.18 
23 ERNIE3.5 14.88 
24 Qwen2.5-72B 14.59 
25 Grok3 14.30 
26 Hunyuan-turbo 14.19 
27 Llama3.1-8B 13.81 
28 GPT4o 13.61 
29 Doubao-pro 12.97 
30 Qwen2.5-7B 11.25 
31 DeepSeek-V3 11.17 
32 DeepSeek-R1 10.12 
Rank Model Score
GPT-5 30.27 
GPT-5-mini 29.58 
o3 28.84 
4 o4-mini 27.22 
5 Claude4-sonnet 26.98 
6 Grok3 25.48 
7 GPT-5-nano 25.18 
8 Qwen3-32B 24.06 
9 GPT4.1 22.37 
10 o1 21.89 
11 DeepSeek-R1 21.00 
12 ERNIE3.5 20.69 
13 GPT4o 19.48 
14 DeepSeek-V3 17.09 
15 Qwen2.5-72B 16.57 
16 Qwen3-14B 15.44 
17 GLM4-32B 14.45 
18 DeepSeek-Prover-V2 13.75 
19 Llama4-Maverick 13.57 
20 Gemini2.5-pro 12.71 
21 ERNIE4.0 10.91 
22 GLM4 9.62 
23 Doubao-pro 9.62 
24 Qwen3-8B 9.57 
25 Llama3.1-70B 9.20 
26 Baichuan4 8.98 
27 Llama3.1-8B 8.75 
28 Hunyuan-turbo 8.67 
29 QWQ-32B 7.61 
30 Claude3.7-sonnet 7.59 
31 Qwen2.5-7B 7.26 
32 GLM4-9B 4.04 
Rank Model Score
o3 53.00 
GPT-5-mini 51.00 
GPT-5 46.00 
4 o4-mini 45.40 
5 GPT-5-nano 45.00 
6 Claude4-sonnet 44.32 
7 Grok3 44.30 
8 GPT4.1 44.00 
9 o1 41.00 
10 Claude3.7-sonnet 39.20 
11 DeepSeek-R1 37.00 
12 Gemini2.5-pro 37.00 
13 Llama4-Maverick 35.00 
14 Qwen3-32B 33.00 
15 GPT4o 33.00 
16 QWQ-32B 32.00 
17 Qwen3-8B 30.40 
18 Qwen3-14B 30.00 
19 Hunyuan-turbo 29.50 
20 DeepSeek-Prover-V2 29.00 
21 GLM4-32B 26.50 
22 Qwen2.5-72B 24.50 
23 Llama3.1-70B 18.40 
24 GLM4-9B 15.90 
25 Baichuan4 15.80 
26 GLM4 12.10 
27 Qwen2.5-7B 9.50 
28 DeepSeek-V3 6.00 
29 ERNIE3.5 6.00 
30 Doubao-pro 5.50 
31 Llama3.1-8B 2.00 
32 ERNIE4.0 2.00 
Rank Model Score
Gemini2.5-pro 29.92 
o3 29.58 
Qwen3-32B 22.00 
4 DeepSeek-R1 20.40 
5 Llama4-Maverick 20.00 
6 o4-mini 18.09 
7 GPT4.1 17.33 
8 DeepSeek-V3 16.50 
9 GPT-5-mini 16.36 
10 GPT-5 16.00 
11 Grok3 14.80 
12 Baichuan4 14.00 
13 Qwen2.5-72B 14.00 
14 Qwen3-14B 12.00 
15 Doubao-pro 11.10 
16 Qwen3-8B 10.00 
17 Hunyuan-turbo 9.80 
18 o1 8.80 
19 GLM4 8.00 
20 ERNIE3.5 7.69 
21 GLM4-9B 7.40 
22 DeepSeek-Prover-V2 7.27 
23 ERNIE4.0 7.18 
24 Claude4-sonnet 6.00 
25 Llama3.1-70B 4.50 
26 GPT-5-nano 4.00 
27 Claude3.7-sonnet 3.70 
28 GLM4-32B 3.38 
29 QWQ-32B 1.90 
30 Llama3.1-8B 0.00 
31 Qwen2.5-7B 0.00 
32 GPT4o 0.00 
Rank Model Score
DeepSeek-V3 49.30 
o4-mini 39.76 
Claude3.7-sonnet 33.80 
4 DeepSeek-R1 32.70 
5 Llama3.1-70B 32.20 
6 o3 28.55 
7 Llama4-Maverick 28.43 
8 o1 26.20 
9 Hunyuan-turbo 24.90 
10 Grok3 24.80 
11 GPT4o 22.40 
12 GPT4.1 22.28 
13 GLM4-9B 22.10 
14 Qwen2.5-7B 22.10 
15 Doubao-pro 16.70 
16 Qwen2.5-72B 15.00 
17 Claude4-sonnet 14.00 
18 Gemini2.5-pro 12.24 
19 GPT-5-mini 12.00 
20 GPT-5 10.42 
21 DeepSeek-Prover-V2 10.00 
22 Llama3.1-8B 9.00 
23 Qwen3-32B 8.00 
24 GLM4-32B 4.17 
25 GLM4 4.08 
26 Qwen3-8B 4.00 
27 Qwen3-14B 4.00 
28 ERNIE4.0 4.00 
29 GPT-5-nano 4.00 
30 ERNIE3.5 2.00 
31 Baichuan4 0.00 
32 QWQ-32B 0.00 

领域类榜单

Rank Model Score
o3 40.14 
o4-mini 37.53 
GPT-5-mini 34.73 
4 GPT4.1 33.43 
5 GPT-5 33.08 
6 o1 29.31 
7 DeepSeek-R1 29.03 
8 Claude4-sonnet 28.13 
9 GPT-5-nano 28.04 
10 Grok3 27.55 
11 Qwen3-32B 24.32 
12 GPT4o 23.29 
13 Llama4-Maverick 23.22 
14 DeepSeek-V3 20.09 
15 DeepSeek-Prover-V2 19.29 
16 Gemini2.5-pro 18.91 
17 Qwen2.5-72B 16.97 
18 Claude3.7-sonnet 16.43 
19 ERNIE3.5 15.19 
20 Qwen3-14B 14.71 
21 Llama3.1-70B 13.41 
22 GLM4-32B 13.30 
23 Hunyuan-turbo 11.96 
24 Qwen3-8B 11.90 
25 QWQ-32B 10.96 
26 Baichuan4 10.15 
27 Doubao-pro 9.62 
28 Qwen2.5-7B 9.46 
29 ERNIE4.0 8.92 
30 GLM4-9B 8.03 
31 GLM4 7.54 
32 Llama3.1-8B 7.04 
Rank Model Score
Claude4-sonnet 6.00 
Hunyuan-turbo 4.00 
Grok3 3.00 
4 GLM4-32B 2.00 
5 Llama4-Maverick 2.00 
6 DeepSeek-Prover-V2 2.00 
7 GPT4.1 2.00 
8 o3 2.00 
9 Gemini2.5-pro 2.00 
10 GPT-5 2.00 
11 GLM4-9B 0.00 
12 GLM4 0.00 
13 Baichuan4 0.00 
14 Llama3.1-70B 0.00 
15 Llama3.1-8B 0.00 
16 Qwen2.5-72B 0.00 
17 Qwen2.5-7B 0.00 
18 QWQ-32B 0.00 
19 Qwen3-8B 0.00 
20 Qwen3-14B 0.00 
21 Qwen3-32B 0.00 
22 DeepSeek-V3 0.00 
23 DeepSeek-R1 0.00 
24 Doubao-pro 0.00 
25 GPT4o 0.00 
26 o1 0.00 
27 o4-mini 0.00 
28 Claude3.7-sonnet 0.00 
29 ERNIE3.5 0.00 
30 ERNIE4.0 0.00 
31 GPT-5-mini 0.00 
32 GPT-5-nano 0.00 
Rank Model Score
Qwen3-14B 63.73 
Qwen3-32B 60.14 
ERNIE4.0 56.91 
4 Claude4-sonnet 55.98 
5 Qwen3-8B 54.28 
6 GLM4 53.72 
7 Baichuan4 53.64 
8 GPT-5 46.22 
9 GLM4-32B 39.09 
10 GPT-5-mini 35.75 
11 o3 34.28 
12 o4-mini 33.97 
13 GPT-5-nano 33.04 
14 o1 32.42 
15 Llama3.1-70B 31.65 
16 Qwen2.5-72B 31.43 
17 Gemini2.5-pro 31.30 
18 Llama4-Maverick 30.95 
19 DeepSeek-Prover-V2 30.50 
20 ERNIE3.5 30.44 
21 Grok3 29.71 
22 QWQ-32B 29.59 
23 Hunyuan-turbo 28.67 
24 Claude3.7-sonnet 26.79 
25 GLM4-9B 26.36 
26 GPT4.1 26.19 
27 Doubao-pro 25.71 
28 GPT4o 24.48 
29 Llama3.1-8B 22.22 
30 DeepSeek-V3 21.95 
31 Qwen2.5-7B 19.58 
32 DeepSeek-R1 5.45 
Rank Model Score
Qwen3-8B 32.00 
Llama3.1-8B 31.67 
Claude4-sonnet 30.00 
4 ERNIE4.0 30.00 
5 GLM4 28.00 
6 GLM4-9B 26.67 
7 Gemini2.5-pro 26.67 
8 GPT-5-mini 26.00 
9 Qwen3-14B 24.00 
10 Hunyuan-turbo 23.33 
11 GPT4.1 23.33 
12 o3 23.33 
13 Claude3.7-sonnet 23.33 
14 GLM4-32B 22.00 
15 Qwen3-32B 22.00 
16 Qwen2.5-7B 21.67 
17 QWQ-32B 21.67 
18 o4-mini 21.67 
19 Baichuan4 20.00 
20 Llama3.1-70B 20.00 
21 DeepSeek-R1 20.00 
22 DeepSeek-Prover-V2 20.00 
23 GPT-5-nano 20.00 
24 o1 18.33 
25 ERNIE3.5 18.00 
26 GPT-5 18.00 
27 Llama4-Maverick 16.67 
28 Doubao-pro 16.67 
29 GPT4o 11.67 
30 Grok3 11.67 
31 Qwen2.5-72B 6.67 
32 DeepSeek-V3 6.67 
Rank Model Score
Gemini2.5-pro 29.92 
o3 29.58 
Qwen3-32B 22.00 
4 DeepSeek-R1 20.40 
5 Llama4-Maverick 20.00 
6 o4-mini 18.09 
7 GPT4.1 17.33 
8 DeepSeek-V3 16.50 
9 GPT-5-mini 16.36 
10 GPT-5 16.00 
11 Grok3 14.80 
12 Baichuan4 14.00 
13 Qwen2.5-72B 14.00 
14 Qwen3-14B 12.00 
15 Doubao-pro 11.10 
16 Qwen3-8B 10.00 
17 Hunyuan-turbo 9.80 
18 o1 8.80 
19 GLM4 8.00 
20 ERNIE3.5 7.69 
21 GLM4-9B 7.40 
22 DeepSeek-Prover-V2 7.27 
23 ERNIE4.0 7.18 
24 Claude4-sonnet 6.00 
25 Llama3.1-70B 4.50 
26 GPT-5-nano 4.00 
27 Claude3.7-sonnet 3.70 
28 GLM4-32B 3.38 
29 QWQ-32B 1.90 
30 Llama3.1-8B 0.00 
31 Qwen2.5-7B 0.00 
32 GPT4o 0.00 
Rank Model Score
Gemini2.5-pro 8.00 
DeepSeek-R1 6.00 
GPT-5 6.00 
4 DeepSeek-V3 4.00 
5 o3 4.00 
6 Qwen3-32B 2.00 
7 o1 2.00 
8 GPT-5-mini 2.00 
9 GLM4-9B 0.00 
10 GLM4-32B 0.00 
11 GLM4 0.00 
12 Baichuan4 0.00 
13 Llama3.1-70B 0.00 
14 Llama3.1-8B 0.00 
15 Llama4-Maverick 0.00 
16 Qwen2.5-72B 0.00 
17 Qwen2.5-7B 0.00 
18 QWQ-32B 0.00 
19 Qwen3-8B 0.00 
20 Qwen3-14B 0.00 
21 DeepSeek-Prover-V2 0.00 
22 Doubao-pro 0.00 
23 Hunyuan-turbo 0.00 
24 GPT4o 0.00 
25 GPT4.1 0.00 
26 o4-mini 0.00 
27 Grok3 0.00 
28 Claude3.7-sonnet 0.00 
29 Claude4-sonnet 0.00 
30 ERNIE3.5 0.00 
31 ERNIE4.0 0.00 
32 GPT-5-nano 0.00 
Rank Model Score
Gemini2.5-pro 6.12 
GPT-5 6.12 
o3 5.17 
4 o4-mini 5.17 
5 Qwen2.5-72B 4.72 
6 Llama3.1-8B 3.81 
7 GLM4-9B 2.52 
8 Llama3.1-70B 1.79 
9 DeepSeek-V3 1.79 
10 GPT-5-nano 1.79 
11 GPT-5-mini 0.02 
12 GLM4-32B 0.00 
13 GLM4 0.00 
14 Baichuan4 0.00 
15 Llama4-Maverick 0.00 
16 Qwen2.5-7B 0.00 
17 QWQ-32B 0.00 
18 Qwen3-8B 0.00 
19 Qwen3-14B 0.00 
20 Qwen3-32B 0.00 
21 DeepSeek-R1 0.00 
22 DeepSeek-Prover-V2 0.00 
23 Doubao-pro 0.00 
24 Hunyuan-turbo 0.00 
25 GPT4o 0.00 
26 GPT4.1 0.00 
27 o1 0.00 
28 Grok3 0.00 
29 Claude3.7-sonnet 0.00 
30 Claude4-sonnet 0.00 
31 ERNIE3.5 0.00 
32 ERNIE4.0 0.00