BenchLeader

BIG-Bench Hard 排行榜

截至 2026年11月16日,BIG-Bench Hard 的最高分为 89.2%,由 Gemini 1.5 Pro 001(Google)取得,领先于 DeepSeek V3(87.5%)。共有 43 个模型配置公布了结果(Epoch AI Benchmarking Hub,结果日期 2024年5月14日)。取自 BIG-Bench 的 23 项高难度任务。BIG-Bench Hard 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • Gemini 1.5 Pro 001 以 89.2% 保持 BIG-Bench Hard 最高分(Epoch AI Benchmarking Hub,2024年5月14日)。
  • DeepSeek V3 以 87.5% 位列 BIG-Bench Hard 第二(Epoch AI Benchmarking Hub,2024年12月26日)。
  • BIG-Bench Hard:来自 BIG-Bench 的 23 项高难度任务。2022 年的基准测试,对当前模型已饱和,保留作为历史记录(Epoch AI Benchmarking Hub)。
  • BenchLeader 上有 43 个模型配置公布了 BIG-Bench Hard 结果(BenchLeader,2026年11月16日)。
  • BIG-Bench Hard 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

来自 BIG-Bench 的 23 项高难度任务。2022 年的基准测试,对当前模型已饱和,保留作为历史记录。

发布方
Epoch AI Benchmarking Hub
类别
推理
Index 权重
仅作参考
模型
43
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

取自 BIG-Bench 的 23 项高难度任务。

评分方式

准确率,由 Epoch AI 根据已公布的结果汇编。

注意事项

已饱和:前沿模型的得分接近上限,所以它只能区分较旧或较小的模型,而且结果大多由提供商自报。

前 15 名
  1. 1Gemini 1.5 Pro 00189.2%
  2. 2DeepSeek V387.5%
  3. 3Gemini 1.5 Pro 001 Feb2484.0%
  4. 4Llama 3.1 405B82.9%
  5. 5Phi 3 (medium)81.4%
  6. 6Qwen2.5 72B79.8%
  7. 7Phi 3 Small79.1%
  8. 8Deepseek v278.8%
  9. 9GPT 4 061375.1%
  10. 10Phi 3 Mini71.7%
  11. 11Yi-34B71.7%
  12. 12Stable Beluga 269.3%
  13. 13Llama 2-70B64.9%
  14. 14GPT-3.5 Turbo (older v0613)61.6%
  15. 15Phi-259.4%
43 / 43
#
1Gemini 1.5 Pro 00189.2%–2024-05-14
2DeepSeek V387.5%44.32024-12-26
3Gemini 1.5 Pro 001 Feb2484.0%–2024-02-15
4Llama 3.1 405B82.9%41.82024-07-23
5Phi 3medium81.4%37.82024-04-23
6Qwen2.5 72B79.8%43.12024-09-19
7Phi 3 Small79.1%–2024-04-23
8Deepseek v278.8%–2024-05-07
9GPT 4 061375.1%39.52023-06-13
10Phi 3 Mini71.7%36.72024-04-23
11Yi-34B71.7%34.72023-11-22
12Stable Beluga 269.3%–2023-07-20
13Llama 2-70B64.9%33.42023-07-18
14GPT-3.5 Turbo (older v0613)61.6%–2023-06-13
15Phi-259.4%–2023-12-12
16Nemotron-4 15B58.7%–2024-02-26
17LLaMA-65B58.4%–2023-02-24
18Llama 2-13B58.2%–2023-07-18
19Mistral 7B v0.356.1%28.92023-09-27
20Gemma 7B55.1%–2024-02-21
21Qwen-14B55.0%–2023-09-24
22InternLM 20B52.5%–2023-09-18
23LLaMA-33B50.0%–2023-02-24
24Baichuan2-13B49.0%–2023-09-06
25Yi 6B47.2%–2023-11-22
26Qwen-7B45.0%–2023-09-28
27Llama 2-34B44.1%–2023-07-18
28Vicuna 13B v1.143.0%–2023-04-12
29Baichuan 1-13B43.0%–2023-07-11
30Baichuan 2 7B Base41.6%–2023-09-20
31Llama 2-7B39.2%–2023-07-18
32MPT-30B38.0%–2023-06-22
33LLaMA-13B37.9%–2023-02-24
34Falcon-40B37.1%–2023-03-15
35InternLM 7B37.0%–2023-07-05
36MPT-7B35.6%–2023-05-05
37Gemma 2B35.2%–2024-02-21
38INTELLECT-134.9%–2024-11-29
39ChatGLM2-6B33.7%–2023-06-24
40LLaMA-7B33.5%–2023-02-24
41Baichuan1-7B32.5%–2023-06-01
42Falcon-7B28.8%–2023-04-24
43Qwen-1_8B28.2%–2023-11-30

更多推理基准测试 · 全部大模型基准测试

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

BIG-Bench Hard:常见问题

BIG-Bench Hard 衡量的是什么?
取自 BIG-Bench 的 23 项高难度任务。分数以完成任务的百分比表示,越高越好。
BIG-Bench Hard 的最高分是多少?
截至 2026年11月16日,BIG-Bench Hard 的最高分为 89.2%,由 Gemini 1.5 Pro 001 取得(结果日期 2024年5月14日),领先于 DeepSeek V3(87.5%)。分数来自 Epoch AI Benchmarking Hub,每天重新读取。
哪个 AI 模型在 BIG-Bench Hard 上领先?
截至 2026年11月16日,BIG-Bench Hard 排名第一的是 Gemini 1.5 Pro 001,分数为 89.2%(结果日期 2024年5月14日)。其后为 DeepSeek V3(87.5%)。
有多少模型有 BIG-Bench Hard 结果?
BenchLeader 上有 43 个模型配置有 BIG-Bench Hard 结果,全部取自 Epoch AI Benchmarking Hub。
BIG-Bench Hard 由谁运行,多久更新一次?
BIG-Bench Hard 由 Epoch AI Benchmarking Hub 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。
BIG-Bench Hard 是否计入 BenchLeader Index?
不计入。BIG-Bench Hard 仅作参考展示,不计入综合分数。