Arena
通过匿名对战和用户投票衡量回答偏好。适合参考对话体验,分数不能与客观题正确率直接比较。
查看官方榜单查阅国内外主流模型的评测表现,按能力维度比较。
LiveBench 2.0 · 得分范围 0–100,越高越好
| 位次 | 模型 / 开发方 | 覆盖 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 01 | Claude Fable 5.1推理强度 max | 85.69 | 77.90 | 91.70 | 97.70 | 89.80 | 80.30 | 82.00 | 83.40 | 7/7 |
| 02 | GPT-6 Astra推理强度 max | 85.64 | 77.50 | 92.70 | 93.70 | 91.30 | 83.00 | 85.20 | 82.00 | 7/7 |
| 03 | Claude Opus 5.5推理强度 max | 85.14 | 72.80 | 92.20 | 96.30 | 88.40 | 80.30 | 85.00 | 86.90 | 7/7 |
| 04 | GPT-6.1 Sol推理强度 max | 84.07 | 68.70 | 92.60 | 96.00 | 93.30 | 82.70 | 83.50 | 82.10 | 7/7 |
| 05 | Claude Sonnet 5.5推理强度 max | 80.04 | 63.40 | 91.60 | 94.70 | 89.30 | 59.50 | 83.60 | 85.00 | 7/7 |
| 06 | Gemini 4 Argon推理强度 high | 79.30 | 61.20 | 95.10 | 89.70 | 82.80 | 85.20 | 83.10 | 73.70 | 7/7 |
| 07 | GPT-6.1 Terra推理强度 max | 77.79 | 48.60 | 88.70 | 94.30 | 93.10 | 82.30 | 73.90 | 82.30 | 7/7 |
| 08 | Muse Wonder 1.0推理强度 max | 74.15 | 52.60 | 90.60 | 86.20 | 60.00 | 81.60 | 88.00 | 75.10 | 7/7 |
| 09 | DeepSeek V4.1 Flash 1017推理强度 max | 72.87 | 35.70 | 89.10 | 96.00 | 67.20 | 79.50 | 79.50 | 83.40 | 7/7 |
| 10 | Kimi K3.1 Pro推理强度 max | 71.29 | 39.10 | 91.10 | 81.80 | 75.90 | 79.10 | 77.90 | 77.80 | 7/7 |
| 11 | Grok 4.7推理强度 xhigh | 70.14 | 46.10 | 82.70 | 84.50 | 49.30 | 76.90 | 86.40 | 78.00 | 7/7 |
| 12 | Claude Haiku 5.5推理强度 max | 69.85 | 40.00 | 82.40 | 91.40 | 69.50 | 53.10 | 81.90 | 83.10 | 7/7 |
| 13 | MiMo V2.6 Pro推理强度 high | 68.48 | 35.20 | 79.60 | 81.50 | 77.30 | 72.30 | 76.70 | 78.50 | 7/7 |
| 14 | GPT-5.6 Terra推理强度 max | 67.79 | 33.10 | 90.60 | 86.20 | 70.30 | 79.30 | 60.40 | 76.00 | 7/7 |
| 15 | Grok 4.6推理强度 xhigh | 67.75 | 28.00 | 91.20 | 89.10 | 49.40 | 75.30 | 84.50 | 79.80 | 7/7 |
| 16 | MiniMax M3.1 Flash推理强度 max | 66.89 | 28.80 | 82.90 | 83.90 | 80.60 | 71.40 | 72.70 | 74.00 | 7/7 |
| 17 | GPT-6 Luna推理强度 max | 64.59 | 30.90 | 81.80 | 84.50 | 70.30 | 73.40 | 43.50 | 82.50 | 7/7 |
| 18 | Kimi K3推理强度 max | 64.57 | 26.40 | 90.70 | 59.30 | 75.20 | 78.70 | 79.00 | 77.20 | 7/7 |
| 19 | Mistral Large 4 1029推理强度 high | 63.49 | 27.50 | 85.20 | 95.40 | 17.40 | 76.60 | 79.70 | 76.30 | 7/7 |
| 20 | Muse Spark 1.3推理强度 max | 63.03 | 25.50 | 89.70 | 90.20 | 30.90 | 79.60 | 68.60 | 74.80 | 7/7 |
| 21 | GLM-5.3 Flash推理强度 max | 62.07 | 19.00 | 77.60 | 80.60 | 59.80 | 76.40 | 70.10 | 77.20 | 7/7 |
| 22 | Qwen3.8 Max推理强度 max | 61.56 | 29.90 | 88.20 | 60.30 | 49.40 | 78.40 | 69.90 | 78.60 | 7/7 |
| 23 | Gemini 3.8 Flash推理强度 high | 59.21 | 16.50 | 89.30 | 82.20 | 45.10 | 54.00 | 79.10 | 72.70 | 7/7 |
| 24 | Step 5 (Preview)推理强度 max | 58.61 | 19.40 | 83.80 | 85.60 | 24.80 | 63.50 | 72.80 | 76.90 | 7/7 |
| 25 | Qwen3.8 27B推理强度 max | 58.38 | 20.60 | 80.00 | 86.80 | 24.20 | 76.60 | 59.40 | 75.90 | 7/7 |
| 26 | Muse Spark Open推理强度 max | 51.63 | 11.70 | 73.70 | 73.60 | 26.20 | 60.20 | 80.30 | 60.30 | 7/7 |
| 27 | Smaug-Nemotron-3.5-NVFP4推理强度 max | 50.31 | 8.40 | 75.10 | 72.20 | 25.60 | 65.10 | 67.80 | 62.70 | 7/7 |
| 28 | Nemotron 3.5 Super VL推理强度 max | 50.23 | 11.70 | 74.60 | 71.30 | 21.60 | 64.60 | 66.70 | 62.80 | 7/7 |
| 29 | inkling推理配置未标注 | 47.05 | 8.50 | 78.30 | 64.00 | 12.00 | 72.80 | 59.90 | 58.30 | 7/7 |
| 30 | Nemotron 3.5 Super VL (NVFP4)推理强度 max | 46.50 | 7.30 | 71.70 | 61.30 | 18.00 | 65.70 | 70.90 | 57.10 | 7/7 |
| 31 | Mistral Large 4推理强度 high | 43.90 | 8.80 | 83.90 | 60.00 | 0.60 | 76.50 | 28.10 | 65.60 | 7/7 |
| 32 | Gemma 4 31B推理强度 max | 38.72 | 10.70 | 68.30 | 49.00 | 0.00 | 53.30 | 44.40 | 58.40 | 7/7 |
综合分按该版本官方权重计算;分项缺测显示“—”,按来源口径从综合分分母中排除。未被本版收录不代表能力较弱。
国内/海外按开发方归类,未知开发方标为“待核对”。不同推理强度、版本和运行环境会影响结果。
按使用场景交叉核对,各平台分数独立解读。
本站展示 LiveBench 2.0 的 2026-10-25 版公开数据。得分范围为 0–100;综合分采用该版本各分项的加权平均。公开数据可能包含不同模型配置,不将其他平台分数混入本榜。
评测覆盖有限任务,不能代替实际业务测试。推理强度、工具、提示词、成本和响应速度都会影响选型。不同分项的优势,应结合你的使用场景判断。
服务器每天检查一次公开数据,保留最近成功快照;读取失败时保留原数据并提示。核验时间是本站读取时间,数据版本是评测批次,两者分别标注。本站未自行运行这些模型评测。
数据来源:LiveBench。模型名称及归属按来源整理,分数按公开数据与官方权重计算,保留两位小数;同一显示分数并列。Arena 等参考入口的排名由各平台独立维护。品牌标识仅用于识别,商标归各权利人所有;图标来自 Lobe Icons。