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。
- 1GPT-6 Astra (max)68.3%
- 2Claude Opus 5 (max)63.4%
- 3GPT-5.6 Sol (max)60.0%
- 4Gemini 3 Pro58.1%
- 5Gemini 3.1 Pro57.0%
- 6GPT-5.6 Terra (max)53.2%
- 7Gemini 3 Flash48.1%
- 8GPT-5.6 Luna (max)45.6%
- 9Grok 443.6%
- 10Gemini 2.5 Pro43.3%
- 11Claude Opus 4.543.0%
- 12DeepSeek R134.9%
- 13Gemini 2.5 Flash33.5%
- 14GPT-5 (minimal)32.8%
- 15Claude 3.5 Sonnet32.6%
37 / 37
| # | ||||
|---|---|---|---|---|
| 1 | 68.3% | 67.3 | 2026-09-03 | |
| 2 | 63.4% | 65.0 | 2026-07-24 | |
| 3 | 60.0% | 65.3 | 2026-07-09 | |
| 4 | 58.1% | 60.0 | 2025-11-18 | |
| 5 | 57.0% | 59.9 | 2026-02-19 | |
| 6 | 53.2% | 59.5 | 2026-07-09 | |
| 7 | 48.1% | 56.5 | 2025-12-17 | |
| 8 | 45.6% | 56.2 | 2026-07-09 | |
| 9 | 43.6% | 58.1 | 2025-07-09 | |
| 10 | 43.3% | 55.2 | 2025-03-25 | |
| 11 | 43.0% | 57.1 | 2025-11-24 | |
| 12 | 34.9% | 47.2 | 2025-01-20 | |
| 13 | 33.5% | 52.4 | 2025-06-17 | |
| 14 | 32.8% | 45.2 | 2025-08-07 | |
| 15 | 32.6% | 46.8 | 2024-10-22 | |
| 16 | 32.3% | 42.8 | 2024-05-13 | |
| 17 | 31.2% | 47.7 | 2025-10-15 | |
| 18 | 29.5% | 50.9 | 2025-04-09 | |
| 19 | 29.2% | – | 2025-03-10 | |
| 20 | 27.9% | 40.7 | 2024-07-23 | |
| 21 | 27.3% | 36.0 | 2024-09-24 | |
| 22 | 23.0% | 39.9 | 2024-12-06 | |
| 23 | 21.0% | 41.4 | 2024-09-24 | |
| 24 | 19.5% | – | 2025-01-20 | |
| 25 | 19.3% | 38.7 | 2024-10-22 | |
| 26 | 17.6% | – | 2024-07-18 | |
| 27 | 17.4% | 35.2 | 2024-07-18 | |
| 28 | 16.8% | 35.6 | 2024-09-24 | |
| 29 | 16.2% | 43.1 | 2024-09-19 | |
| 30 | 15.1% | 33.0 | 2024-07-23 | |
| 31 | 14.6% | 38.2 | 2024-09-24 | |
| 32 | 12.8% | – | 2024-08-29 | |
| 33 | 11.6% | 39.3 | 2024-12-12 | |
| 34 | 10.1% | 35.6 | 2024-09-24 | |
| 35 | 7.8% | 39.8 | 2024-09-19 | |
| 36 | 6.6% | 30.6 | 2024-09-24 | |
| 37 | 3.7% | – | 2024-08-29 |
相关基准测试
BALROG 上的热门模型对比
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。