跳到正文
評測來源

LiveBench · 推理與數學

LiveBench / 推理 · Reasoning + Mathematics 兩項均分,各佔 50%。

官方評測
在 ATech Hot 中參與排名
評測權重4.2%
來源資料更新時間11/20 02:01
最近成功同步11/22 02:05

它測什麼,怎麼測

先分別計算 Reasoning、Mathematics 的分類成績,再各佔 50% 求平均,最後保留一位小數。兩項均分與官網單獨選擇某一類的成績不同。

如何使用這份證據

兩項均分作為一份證據參與排名,各專項共用 LiveBench 評測類型;Global Average 僅供參考,不重複計票。

評測成績

按固定規則,每個公開模型採用一套用作比較的設定;沒有可採用設定的模型標為未計入並寫明原因。匿名測試型號不展示,保留原榜名次,每項最多 30 個。

原榜名次原榜型號原始成績用作比較的設定
1gpt-6.1-sol-maxopenai94.7%Max 推理
2gpt-6-astra-maxOpenAI94.7%Max 推理
3claude-opus-5-5-max-effortAnthropic94.6%Max 推理
4claude-fable-5-1-max-effortAnthropic94.3%Max 推理
6gpt-5.6-sol-maxOpenAI93.9%Max 推理
7claude-sonnet-5-5-max-effortanthropic93.9%Max 推理
9muse-wonder-1.0-max—93.6%Max 推理
10claude-opus-5-max-effortAnthropic93.5%Max 推理
11claude-fable-5-max-effortAnthropic92.8%Max 推理
12muse-spark-1.3-xhighMeta92.8%xHigh 推理
13gpt-5.6-terra-maxOpenAI92.8%Max 推理
14gpt-5.5-xhighOpenAI92.8%xHigh 推理
15gpt-6-sol-maxOpenAI92.5%Max 推理
16claude-opus-4-8-max-effortAnthropic91.8%Max 推理
18grok-4.6xAI91.5%來源預設配置
19gpt-5.4-xhighOpenAI91.1%xHigh 推理
20claude-sonnet-5-xhigh-effortAnthropic90.8%xHigh 推理
21gemini-3.7-flash-highGoogle90.6%High 推理
22muse-spark-1.2-xhighMeta90.6%xHigh 推理
23deepseek-v4-pro-0813DeepSeek90.5%來源預設配置
24gemini-3.8-flash-highGoogle90.4%High 推理
25claude-opus-4-7-xhigh-effortAnthropic90.0%xHigh 推理
26deepseek-v4.1-flash-maxDeepSeek90.0%來源預設配置
27qwen3.8-maxAlibaba89.8%來源預設配置
28grok-4.7-xhighxAI89.2%xHigh 推理
29grok-4.5xAI89.0%來源預設配置
30claude-opus-4-6-thinking-auto-high-effortAnthropic89.0%High 推理
31mistral-large-4-high—88.8%來源預設配置
32gpt-5.2-2025-12-11-highOpenAI88.2%High 推理
33smaug-flashAbacus.AI88.1%來源預設配置
評測侷限與數據署名

兩項均分衡量組合表現,不能當成 Reasoning 單項成績。官方頁面切換分類或是否包含微調模型時,分數與排序會隨之變化。組織參與方 Abacus.AI 同時開發 Smaug 模型,其獨家成績需要其他獨立來源補充。

數據許可:Apache 2.0

分項成績由 LiveBench 發佈,AIHOT 按上述兩類等權彙總並排序。兩項均分與 AIHOT 共識指數使用不同尺度,不能直接相加。