AI 大模型文本生文本能力排行
共收录 0 款模型评估数据
排行榜指标含义说明
综合学科知识
Intelligence Index 综合
综合能力指数，汇总推理、代码、知识等多维度核心权重的综合评级。
GPQA 知识
Google-Proof Q&A 前沿科学数据集（生物、物理、化学），测试专家级推理能力。
MMLU Pro 学科知识
包含多学科高难度选择题的基准测试，更加注重复杂逻辑推理和少样本能力。
HLE 评估
Humanity's Last Exam（人类最后的考试），专为评估前沿 AI 模型上限设计的极高难度基准。
代码编程能力
Coding Index 代码
代码能力综合指数，反映模型在代码生成、重构和问题排查上的整体表现。
LiveCodeBench 代码
基于 LeetCode、AtCoder 等平台实时更新的新题测试，防止模型过度拟合/背题。
SciCode 代码
科学计算和自然科学问题代码化能力的评估集。
LCR 代码
长文本/复杂上下文代码阅读和推理（Long-Context Reasoning Code）测试。
TerminalBench Hard 命令行
测试模型在真实 Linux 终端中通过 Shell 指令解决高难度系统运维和开发任务的能力。
数学推理能力
Math Index 数学
数学综合指数，衡量模型从基础代数到高阶竞赛题的数学能力。
Math 500 数学
从 MATH 数据集中精选的 500 道代表性高难度数学题。
AIME / AIME 2025 数学
美国数学邀请赛（AIME）真题测试，衡量顶尖竞赛级别的数学推理水平。
指令和 Agent 能力
IFBench 指令遵循
评估模型严格执行复杂格式、限定字数和多重条件约束指令的能力。
Tau2 综合
测试大模型作为智能体（Agent）在多轮对话和复杂工具调用场景下的交互能力。
图像和视频生成能力
ELO 积分
基于盲测（Blind Test）和人类偏好对战评估得出的 ELO 竞技积分，分值越高表示生成的图像/视频越受欢迎。
CI95 置信区间
基于 95% 置信度计算的 ELO 分数波动范围误差（如 -8/8 表示得分在上下 8 分范围内评估有效）。
性能体验和价格
输出速度 (tokens/s)
模型生成文本的平均速率（每秒生成的 Token 数）。
首token时间 / 首答案token时间
TTFT（Time To First Token），分别对应首次响应延迟以及深度思考模型输出最终答案首字的时间。
价格 - 输入/输出
百万 Token 的官方 API 调用价格（包含 Prompt 接收和文本生成）。