HellaSwag 排行榜
截至 2026年11月16日,HellaSwag 的最高分为 95.3%,由 GPT-4(OpenAI)取得,领先于 Llama 3.1 405B(89.2%)。共有 68 个模型配置公布了结果(Epoch AI Benchmarking Hub,结果日期 2023年3月14日)。常识性的句子补全。HellaSwag 仅作参考展示,不计入 BenchLeader Index。
要点(截至 2026年11月16日)
- GPT-4 以 95.3% 保持 HellaSwag 最高分(Epoch AI Benchmarking Hub,2023年3月14日)。
- Llama 3.1 405B 以 89.2% 位列 HellaSwag 第二(Epoch AI Benchmarking Hub,2024年7月23日)。
- HellaSwag:常识性句子补全。2019 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 68 个模型配置公布了 HellaSwag 结果(BenchLeader,2026年11月16日)。
- HellaSwag 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。
常识性句子补全。2019 年的基准测试,对当前模型已饱和,保留作为历史记录。
- 类别
- 推理
- Index 权重
- 仅作参考
- 模型
- 68
- 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
常识性的句子补全。
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。
- 1GPT-495.3%
- 2Llama 3.1 405B89.2%
- 3Falcon-180B89.0%
- 4DeepSeek V388.9%
- 5Deepseek v287.1%
- 6PaLM 2-L86.8%
- 7Mixtral 8x7B86.7%
- 8davinci-00385.5%
- 9Llama 2-70B85.3%
- 10Falcon-40B85.3%
- 11Qwen2.5 72B84.8%
- 12LLaMA-65B84.2%
- 13Stable Beluga 284.1%
- 14PaLM 2-M84.0%
- 15PaLM 540B83.8%
68 / 68
| # | ||||
|---|---|---|---|---|
| 1 | 95.3% | 42.3 | 2023-03-14 | |
| 2 | 89.2% | 41.8 | 2024-07-23 | |
| 3 | 89.0% | – | 2023-09-06 | |
| 4 | 88.9% | 44.3 | 2024-12-26 | |
| 5 | 87.1% | – | 2024-05-07 | |
| 6 | 86.8% | – | 2023-05-17 | |
| 7 | 86.7% | 30.8 | 2023-12-11 | |
| 8 | 85.5% | – | 2022-11-28 | |
| 9 | 85.3% | 33.4 | 2023-07-18 | |
| 10 | 85.3% | – | 2023-03-15 | |
| 11 | 84.8% | 43.1 | 2024-09-19 | |
| 12 | 84.2% | – | 2023-02-24 | |
| 13 | 84.1% | – | 2023-07-20 | |
| 14 | 84.0% | – | 2023-05-17 | |
| 15 | 83.8% | – | 2022-04-04 | |
| 16 | 83.0% | 42.5 | 2024-09-18 | |
| 17 | 82.9% | – | 2024-05-09 | |
| 18 | 82.8% | – | 2023-02-24 | |
| 19 | 82.4% | 37.8 | 2024-04-23 | |
| 20 | 82.4% | – | 2021-10-11 | |
| 21 | 82.4% | – | 2024-02-26 | |
| 22 | 82.2% | – | 2024-02-21 | |
| 23 | 82.0% | – | 2023-05-17 | |
| 24 | 81.5% | – | 2022-03-15 | |
| 25 | 81.0% | 28.9 | 2023-09-27 | |
| 26 | 80.7% | – | 2023-07-18 | |
| 27 | 80.2% | – | 2024-09-18 | |
| 28 | 79.3% | – | 2022-01-27 | |
| 29 | 79.2% | – | 2023-02-24 | |
| 30 | 79.1% | – | 2022-05-02 | |
| 31 | 78.1% | – | 2023-04-24 | |
| 32 | 78.1% | – | 2023-09-18 | |
| 33 | 77.2% | – | 2023-07-18 | |
| 34 | 77.0% | – | 2024-04-23 | |
| 35 | 76.8% | – | 2024-09-18 | |
| 36 | 76.7% | 36.7 | 2024-04-23 | |
| 37 | 76.4% | – | 2023-05-05 | |
| 38 | 76.4% | – | 2024-03-01 | |
| 39 | 76.2% | – | 2023-02-24 | |
| 40 | 74.5% | – | 2022-05-03 | |
| 41 | 74.4% | – | 2023-11-02 | |
| 42 | 74.2% | – | 2023-06-27 | |
| 43 | open_llama_7b | 71.8% | – | 2023-06-07 |
| 44 | 71.4% | – | 2024-11-29 | |
| 45 | 71.4% | – | 2024-02-21 | |
| 46 | 70.9% | – | 2024-09-18 | |
| 47 | 70.8% | – | 2023-09-06 | |
| 48 | 70.8% | – | 2023-04-11 | |
| 49 | 70.6% | – | 2023-07-05 | |
| 50 | 70.5% | – | 2022-04-07 | |
| 51 | 70.3% | – | 2023-05-04 | |
| 52 | 69.9% | – | 2022-05-11 | |
| 53 | 68.0% | – | 2023-09-20 | |
| 54 | 67.6% | – | – | |
| 55 | 66.2% | – | 2021-08-05 | |
| 56 | 61.8% | – | 2024-09-18 | |
| 57 | 59.4% | – | 2023-03-20 | |
| 58 | 57.8% | – | 2023-04-12 | |
| 59 | 57.0% | – | 2023-06-24 | |
| 60 | 56.1% | – | – |
引用格式:BenchLeader,《HellaSwag 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/hellaswag。
HellaSwag:常见问题
- HellaSwag 衡量的是什么?
- 常识性的句子补全。分数以完成任务的百分比表示,越高越好。
- HellaSwag 的最高分是多少?
- 截至 2026年11月16日,HellaSwag 的最高分为 95.3%,由 GPT-4 取得(结果日期 2023年3月14日),领先于 Llama 3.1 405B(89.2%)。分数来自 Epoch AI Benchmarking Hub,每天重新读取。
- 哪个 AI 模型在 HellaSwag 上领先?
- 截至 2026年11月16日,HellaSwag 排名第一的是 GPT-4,分数为 95.3%(结果日期 2023年3月14日)。其后为 Llama 3.1 405B(89.2%)。
- 有多少模型有 HellaSwag 结果?
- BenchLeader 上有 68 个模型配置有 HellaSwag 结果,全部取自 Epoch AI Benchmarking Hub。
- HellaSwag 由谁运行,多久更新一次?
- HellaSwag 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。
- HellaSwag 是否计入 BenchLeader Index?
- 不计入。HellaSwag 仅作参考展示,不计入综合分数。