跳到主要内容Skip to main content

Models · Evals

LiveBench

持续更新的多任务能力

测什么持续更新的多任务能力
任务与数据数学、代码、推理、数据整理等;按月更新
指标各任务准确率
污染风险按时间更新题目,降低污染;但题量分布会变。
复现记录版本月份、任务子集与评分脚本。
成本中
快照日2026-11-19
核验日2026-11-19

怎么读

适合看新题上的稳定性;跨月比较要确认题目版本是否变化。

下一步

  • 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
  • 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
  • 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://livebench.ai/ · 快照 2026-11-19