BenchLeader

BALROG 排行榜

截至 2026年11月16日,BALROG 的最高分为 68.3%,由 GPT-6 Astra(OpenAI)取得,领先于 Claude Opus 5(63.4%)。共有 37 个模型配置公布了结果(BALROG,结果日期 2026年9月3日)。智能体玩 BabyAI、Crafter、TextWorld 和 NetHack 等游戏;分数是在各游戏中朝目标推进的平均进度。BALROG 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • GPT-6 Astra 以 68.3% 保持 BALROG 最高分(BALROG,2026年9月3日)。
  • Claude Opus 5 以 63.4% 位列 BALROG 第二(BALROG,2026年7月24日)。
  • BALROG:在 NetHack 等经典文字和网格游戏中的进度(BALROG)。
  • BenchLeader 上有 37 个模型配置公布了 BALROG 结果(BenchLeader,2026年11月16日)。
  • BALROG 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

在 NetHack 等经典文字和网格游戏中的进度。

发布方
BALROG数据经由 Epoch AI Benchmarking Hub
类别
智能体与工具
Index 权重
仅作参考
模型
37
数据截至
2026年11月16日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

测试内容

智能体玩 BabyAI、Crafter、TextWorld 和 NetHack 等游戏;分数是在各游戏中朝目标推进的平均进度。

评分方式

各游戏的平均进度,由 BALROG 发布。

注意事项

进度按游戏分别归一化,而各游戏的难度差异极大。

37 / 37
#
1GPT-6 Astramax68.3%67.32026-09-03
2Claude Opus 5max63.4%65.02026-07-24
3GPT-5.6 Solmax60.0%65.32026-07-09
4Gemini 3 Pro58.1%60.02025-11-18
5Gemini 3.1 Pro57.0%59.92026-02-19
6GPT-5.6 Terramax53.2%59.52026-07-09
7Gemini 3 Flash48.1%56.52025-12-17
8GPT-5.6 Lunamax45.6%56.22026-07-09
9Grok 443.6%58.12025-07-09
10Gemini 2.5 Pro43.3%55.22025-03-25
11Claude Opus 4.543.0%57.12025-11-24
12DeepSeek R134.9%47.22025-01-20
13Gemini 2.5 Flash33.5%52.42025-06-17
14GPT-5minimal32.8%45.22025-08-07
15Claude 3.5 Sonnet32.6%46.82024-10-22
16GPT-4o32.3%42.82024-05-13
17Claude Haiku 4.531.2%47.72025-10-15
18Grok 329.5%50.92025-04-09
19Reka Flash 329.2%–2025-03-10
20Llama 3.1 70B27.9%40.72024-07-23
21Llama 3.2 90B Vision27.3%36.02024-09-24
22Llama 3.3 70B23.0%39.92024-12-06
23Gemini 1.5 Pro 00221.0%41.42024-09-24
24DeepSeek-R1-Distill-Qwen-32B19.5%–2025-01-20
25Claude 3.5 Haiku19.3%38.72024-10-22
26Mistral Nemo17.6%–2024-07-18
27GPT-4o mini17.4%35.22024-07-18
28Llama 3.2 Instruct 11B (Vision)16.8%35.62024-09-24
29Qwen2.5 72B16.2%43.12024-09-19
30Llama 3.1 8B15.1%33.02024-07-23
31Gemini 1.5 Flash 00214.6%38.22024-09-24
32Qwen2-VL-72B12.8%–2024-08-29
33Phi-411.6%39.32024-12-12
34Llama 3.2 3B Instruct10.1%35.62024-09-24
35Qwen2.5 7B Instruct7.8%39.82024-09-19
36Llama 3.2 1B Instruct6.6%30.62024-09-24
37Qwen2-VL-7B3.7%–2024-08-29

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《BALROG 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/balrog。

BALROG:常见问题

BALROG 衡量的是什么?
智能体玩 BabyAI、Crafter、TextWorld 和 NetHack 等游戏;分数是在各游戏中朝目标推进的平均进度。分数以完成任务的百分比表示,越高越好。
BALROG 的最高分是多少?
截至 2026年11月16日,BALROG 的最高分为 68.3%,由 GPT-6 Astra 取得(结果日期 2026年9月3日),领先于 Claude Opus 5(63.4%)。分数来自 BALROG,每天重新读取。
哪个 AI 模型在 BALROG 上领先?
截至 2026年11月16日,BALROG 排名第一的是 GPT-6 Astra,分数为 68.3%(结果日期 2026年9月3日)。其后为 Claude Opus 5(63.4%)。
有多少模型有 BALROG 结果?
BenchLeader 上有 37 个模型配置有 BALROG 结果,全部取自 BALROG(经由 Epoch AI Benchmarking Hub)。
BALROG 由谁运行,多久更新一次?
BALROG 由 BALROG 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
BALROG 是否计入 BenchLeader Index?
不计入。BALROG 仅作参考展示,不计入综合分数。