BenchLeader

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。

发布方
Epoch AI Benchmarking Hub
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。

前 15 名
  1. 1GPT-495.3%
  2. 2Llama 3.1 405B89.2%
  3. 3Falcon-180B89.0%
  4. 4DeepSeek V388.9%
  5. 5Deepseek v287.1%
  6. 6PaLM 2-L86.8%
  7. 7Mixtral 8x7B86.7%
  8. 8davinci-00385.5%
  9. 9Llama 2-70B85.3%
  10. 10Falcon-40B85.3%
  11. 11Qwen2.5 72B84.8%
  12. 12LLaMA-65B84.2%
  13. 13Stable Beluga 284.1%
  14. 14PaLM 2-M84.0%
  15. 15PaLM 540B83.8%
68 / 68
#
1GPT-495.3%42.32023-03-14
2Llama 3.1 405B89.2%41.82024-07-23
3Falcon-180B89.0%–2023-09-06
4DeepSeek V388.9%44.32024-12-26
5Deepseek v287.1%–2024-05-07
6PaLM 2-L86.8%–2023-05-17
7Mixtral 8x7B86.7%30.82023-12-11
8davinci-00385.5%–2022-11-28
9Llama 2-70B85.3%33.42023-07-18
10Falcon-40B85.3%–2023-03-15
11Qwen2.5 72B84.8%43.12024-09-19
12LLaMA-65B84.2%–2023-02-24
13Stable Beluga 284.1%–2023-07-20
14PaLM 2-M84.0%–2023-05-17
15PaLM 540B83.8%–2022-04-04
16Qwen2.5 Coder 32B Instruct83.0%42.52024-09-18
17Falcon 2 11B82.9%–2024-05-09
18LLaMA-33B82.8%–2023-02-24
19Phi 3medium82.4%37.82024-04-23
20Megatron-Turing NLG 530B82.4%–2021-10-11
21Nemotron-4 15B82.4%–2024-02-26
22Gemma 7B82.2%–2024-02-21
23PaLM 2-S82.0%–2023-05-17
24text-davinci-00281.5%–2022-03-15
25Mistral 7B v0.381.0%28.92023-09-27
26Llama 2-13B80.7%–2023-07-18
27Qwen2.5-Coder-14B80.2%–2024-09-18
28InstructGPT 175B79.3%–2022-01-27
29LLaMA-13B79.2%–2023-02-24
30OPT-175B79.1%–2022-05-02
31Falcon-7B78.1%–2023-04-24
32InternLM 20B78.1%–2023-09-18
33Llama 2-7B77.2%–2023-07-18
34Phi 3 Small77.0%–2024-04-23
35Qwen2.5-Coder 7B Instruct76.8%–2024-09-18
36Phi 3 Mini76.7%36.72024-04-23
37MPT-7B76.4%–2023-05-05
38Yi-9B76.4%–2024-03-01
39LLaMA-7B76.2%–2023-02-24
40OPT-66B74.5%–2022-05-03
41Yi 6B74.4%–2023-11-02
42Xgen 7B Base74.2%–2023-06-27
43open_llama_7b71.8%–2023-06-07
44INTELLECT-171.4%–2024-11-29
45Gemma 2B71.4%–2024-02-21
46Qwen2.5-Coder-3B70.9%–2024-09-18
47Baichuan2-13B70.8%–2023-09-06
48Dolly v2 12B70.8%–2023-04-11
49InternLM 7B70.6%–2023-07-05
50GPT-NeoX-20B70.5%–2022-04-07
51RedPajama-INCITE-7B-Base70.3%–2023-05-04
52OPT-13B69.9%–2022-05-11
53Baichuan 2 7B Base68.0%–2023-09-20
54InstructGPT 6B67.6%––
55GPT-J-6B66.2%–2021-08-05
56Qwen2.5 Coder 1.5B61.8%–2024-09-18
57Cerebras-GPT-13B59.4%–2023-03-20
58Vicuna 13B v1.157.8%–2023-04-12
59ChatGLM2-6B57.0%–2023-06-24
60InstructGPT 1.3B56.1%––

更多推理基准测试 · 全部大模型基准测试

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。