AI 评测基准对比

611 篇文章 · 第 1/31 页
AI 模型评测是选型决策的基石。主流基准包括 MMLU、HumanEval、Chatbot Arena(LMSYS)、SuperCLUE、OpenCompass、C-Eval 等,但多数依赖选择题或模型互评,无法检测真实执行能力和幻觉风险。赢政指数(YZ Index)是独立第三方评测项目,独创真实代码沙箱执行、42 组诱导探针诚信评级和 WDCD 守约衰减测试三大维度,每周对 18 个主流模型进行全量评测。本专题汇集各大评测基准的方法论对比、排名变动和深度分析。

深度指南

横评 豆包 Pro 代码执行暴跌26.2分 主榜却仅涨0.03分
今日Smoke评测中,豆包 Pro代码执行从75.00分跌至48.80分,材料约束从67.90分升至100.00分,主榜仅从71.81分微升至71.84分。单日10题抽签导致的波动仍是主因,需持续观察。
2026-11-19
横评 GPT-o3材料约束暴跌16.7分 代码执行反涨23.8分主榜却升5.6
今日Smoke评测中GPT-o3材料约束从100.00跌至83.30,代码执行从50.00升至73.80,主榜从72.50升至78.08。单日10题抽样下,材料约束-16.7分与代码执行+23.8分形成明显反差,需分析波动成因与关注必要性。
2026-11-19
横评 GPT-6 Sol以80.54分居首:2026-11-19 Smoke快测数据简报
2026-11-19 赢政指数 Smoke 快测覆盖 13 个模型,GPT-6 Sol 以 80.54 分位居当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-19
Astra for Law以20.8%全通过率登顶法律AI基准评测
OpenAI于2026年11月17日发布Astra for Law 6.2,这是一个基于GPT-6.2 Astra的法律专项配置。在Harvey与Artificial Analysis联合开发的LAB-AA v1.1基准中,该模型以20.8%的全任务通过率位列第一,覆盖24个法律执业领域的120项私
2026-11-18
横评 GLM-4.6 88.6分登顶WDCD守约榜 豆包Pro 65.4分垫底
GLM-4.6以88.60分位列WDCD v3.1守约总榜第一,豆包Pro以65.40分垫底。15个模型中头部与尾部差距达23.2分,R3崩溃率仅6%,满分率44.7%。数据揭示不同模型在多轮施压下的约束维持能力存在显著差异。
2026-11-18
横评 GPT-5.5代码执行暴跌24.8分 主榜仅降2.8分
GPT-5.5今日Smoke评测代码执行从99.80跌至75.00,材料约束从59.30升至83.30,主榜从81.58降至78.74。工程判断同步跌25分。单日10题抽样下,此类波动需区分题目随机性与真实能力退化。
2026-11-18
横评 GPT-6 Luna代码执行暴跌24.1分 材料约束反升32分
GPT-6 Luna今日Smoke评测代码执行从99.10分跌至75.00分,材料约束从62.80分升至94.80分,主榜从82.77分微升至83.91分,诚信评级维持pass。
2026-11-18
横评 GPT-6 Astra以91.14分居首:2026-11-18 Smoke快测数据简报
2026-11-18 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Astra 以 91.14 分位居当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-18
横评 GPT-6 Luna以82.77分居首:2026-11-17 Smoke快测数据简报
2026-11-17 赢政指数 Smoke 快测覆盖 14 个模型,GPT-6 Luna 以 82.77 分位居当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-17
Lab 4大模型翻译对决:第47周质量评测,claude-sonnet-4.6 以 9 分领跑
本周共翻译 442 篇文章,覆盖 4 个AI模型。经抽样盲评,claude-sonnet-4.6 综合得分最高(9/10)。报告详细对比各模型在准确性、流畅性、术语一致性方面的表现差异。
2026-11-16
横评 GPT-6.1 Sol代码执行暴跌27.3分 主榜降至78.69
GPT-6.1 Sol今日代码执行从97.30跌至70.00,材料约束升至89.30,主榜从84.70降至78.69。单日10题测试下,代码执行大幅波动值得持续观察是否为抽签因素。
2026-11-16
横评 GPT-6 Astra代码执行暴跌27.3分 主榜从84.70降至78.69
GPT-6 Astra今日Smoke评测代码执行从97.30跌至70.00,材料约束从69.30升至89.30,主榜从84.70降至78.69。单日10题抽签波动与模型真实退化需区分,诚信评级维持pass。
2026-11-16
横评 GPT-5.5 与 GPT-6 Sol并列92.44分:2026-11-16 Smoke快测数据简报
2026-11-16 赢政指数 Smoke 快测覆盖 14 个模型,GPT-5.5 与 GPT-6 Sol 以 92.44 分并列当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-16
横评 Claude Opus 4.7代码执行暴跌19.5分 材料约束反升19.3分
今日Smoke评测中,Claude Opus 4.7代码执行从94.50分跌至75.00分(-19.5),材料约束从70.00分升至89.30分(+19.3),主榜仅降2分至81.44。工程判断与任务表达同步上升,诚信评级维持pass。
2026-11-15
横评 GPT-5.5趋势上升10分 Gemini 2.5 Pro下滑30.9分 2026-W46周数据解析
2026-11-09至2026-11-15期间,GPT-5.5从78.74分升至88.75分,趋势+10;Gemini 2.5 Pro从82.52分跌至51.63分,趋势-30.9。GLM-4.6波动53.7分且诚信评级多次变化,GPT-6 Luna与Claude Sonnet 4.6分别上升5分和
2026-11-15
横评 Claude Sonnet 4.6 与 GPT-6 Luna并列95.19分:2026-11-15 Smoke快测数据简报
2026-11-15 赢政指数 Smoke 快测覆盖 13 个模型,Claude Sonnet 4.6 与 GPT-6 Luna 以 95.19 分并列当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-15
横评 Claude Sonnet 4.6 Smoke评测主榜暴跌11.7分 材料约束单日腰斩19.9
Claude Sonnet 4.6今日Smoke评测主榜从82.31分跌至70.61分,材料约束从61.30分暴跌至41.40分,降幅19.9分。代码执行小降5分,工程判断反升14.2分。单日10题快测下,材料约束异常下滑值得追踪。
2026-11-14
横评 Claude Opus 4.7 主榜暴跌11.4分,材料约束单日跌19.3
Claude Opus 4.7今日Smoke评测主榜从94.91分跌至83.48分,降幅11.4分。其中材料约束从89.30分跌至70.00分,单日下降19.3分,代码执行下降5分。文章分析本次波动成因并给出选型判断。
2026-11-14
横评 Claude Opus 4.7以83.48分居首:2026-11-14 Smoke快测数据简报
2026-11-14 赢政指数 Smoke 快测覆盖 13 个模型,Claude Opus 4.7 以 83.48 分位居当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-14
横评 Claude Opus 4.7以94.91分居首:2026-11-13 Smoke快测数据简报
2026-11-13 赢政指数 Smoke 快测覆盖 13 个模型,Claude Opus 4.7 以 94.91 分位居当日首位。Smoke 为每日 10 题快测,适合观察短期信号,不等同 Full 周榜结论。
2026-11-13