Methodology
模型坐标主要聚合公开评测，不修改来源分数；少数中文专题使用单独披露的 AI 复评协议，且不合成为全站总分。
收集公开榜单，规范字段名称，提供中文解释、站内检索、横向比较和稳定页面地址；个别中文专题会对已有输出运行可复现的 AI 复评。
不修改公开来源分数，不调整来源权重，不把能力、价格、速度、开放性或专题复评分合并成本站总分。
复评分只在所属专题内比较同一任务的有效输出，并披露固定样本、评分维度、Judge 模型、匿名方式、评分轮次、分歧处理、原始输出和机器数据。
当前快照日期为 2026-07-21。速度、延迟、价格等运行指标会变化，页面必须连同快照日期和原始来源一起阅读。
“—”表示当前公开快照没有可核验结果。缺失不代表性能为零，也不会被本站估算补齐。
保留会影响结果的模型版本和推理档位；删除对普通读者没有帮助的冗余描述，但详情页始终提供原始来源供核验。
INTELLIGENCE INDEX v4.1
文本、英文评测；图像、语音和多语言能力在独立榜单中评估。四大类权重为 Agent 34%、编码 24%、科学推理 24%、通用 18%。
| 类别 | 评测 | 题目 | 重复 | 回答类型 | 评分 | 权重 | 工具 |
|---|---|---|---|---|---|---|---|
| Agent（34%） | GDPval-AA v2 | 220 项任务 | 1 | Agent 交付文件 | 多裁判成对 Elo；人类专家锚定 1000 | 20% | 是 |
| Agent（34%） | τ³-Banking | 97 | 5 | 双控制 Agent / 用户模拟 | 后端数据库状态，pass@1 | 14% | 是 |
| 编码（24%） | Terminal-Bench v2.1 | 89 | 3 | 终端任务执行 | 测试套件通过，pass@1 | 16% | 否 |
| 编码（24%） | SciCode | 288 个子问题 | 3 | Python 代码 | 代码执行，子问题计分 | 8% | 否 |
| 通用（18%） | AA-LCR | 100 | 3 | 开放回答 | LLM 等价性检查，pass@1 | 6% | 否 |
| 通用（18%） | AA-Omniscience | 6,000 | 1 | 开放回答 | 准确率 8% + 非幻觉率 4% | 12% | 否 |
| 科学推理（24%） | Humanity's Last Exam | 2,158 | 1 | 开放回答 | LLM 等价性检查，pass@1 | 12% | 否 |
| 科学推理（24%） | GPQA Diamond | 198 | 5 | 四选一 | 正则提取，pass@1 | 6% | 否 |
| 科学推理（24%） | CritPt | 70 | 5 | 函数、符号和数值答案 | 官方评分服务，pass@1 | 6% | 否 |
EVALUATION PRINCIPLES
相同条件、提示策略、温度和评分标准。
使用明确提示、稳健提取和允许有效表达差异的答案验证。
不给示例或演示，直接测试模型理解和执行指令的能力。
公开提示模板、评估标准、参数和已知限制。
TESTING PARAMETERS
ADDITIONAL EVALUATIONS
覆盖多语言、视觉、数学、专业服务、企业工具和其他能力。
| 类别 | 评测 | 规模 | 主要形式 |
|---|---|---|---|
| Agent | AA-Briefcase | 4 个场景 | 带文件交付的长期 Agent 任务 |
| Agent | Harvey LAB-AA | 120 项任务 | 法律交付物与 rubric 评估 |
| Agent | APEX-Agents-AA | 452 项任务 | 专业服务任务与本地文件评分 |
| Agent | AutomationBench-AA | 657 项任务 | SaaS REST API 工作流自动化 |
| Agent | ITBench-AA | 59 个场景 | 离线 Kubernetes 事故根因诊断 |
| Agent | EnterpriseOps-Gym-AA | 1,117 项任务 | 8 个领域的多轮 MCP 工具使用 |
| 编码 | LiveCodeBench | 315 | Python 代码执行，pass@1 |
| 通用 | IFBench | 294 | 指令遵循与规则驱动评估 |
| 通用 | MMLU-Pro | 12,032 | 十选一知识评估 |
| 其他 | Global-MMLU-Lite | 约 6,000 | 16 种语言的四选一评估 |
| 其他 | MMMU Pro | 1,730 | 图文多模态十选一评估 |