WildBench (HELM) 排行榜
截至 2026年11月16日,WildBench (HELM) 的最高分为 86.6%,由 Qwen3 235B A22B 2507(Alibaba)取得,领先于 GPT-5.1(86.3%)。共有 68 个模型配置公布了结果(HELM Capabilities,结果日期 2025年11月24日)。WildBench 从用户与聊天机器人的真实对话中选取任务,从编程求助到创意写作,并由评审模型按各任务专属的检查清单给回答打分。WildBench (HELM) 计入 BenchLeader Index 的指令遵循得分。
要点(截至 2026年11月16日)
- Qwen3 235B A22B 2507 以 86.6% 保持 WildBench (HELM) 最高分(HELM Capabilities,2025年11月24日)。
- GPT-5.1 以 86.3% 位列 WildBench (HELM) 第二(HELM Capabilities,2025年11月24日)。
- WildBench (HELM):真实用户任务,由按评分细则打分的评审模型评判。由 Stanford CRFM 的 HELM 运行(HELM Capabilities)。
- BenchLeader 上有 68 个模型配置公布了 WildBench (HELM) 结果(BenchLeader,2026年11月16日)。
- WildBench (HELM) 计入 BenchLeader Index 的指令遵循类别(BenchLeader 方法论)。
真实用户任务,由按评分细则打分的评审模型评判。由 Stanford CRFM 的 HELM 运行。
- 类别
- 指令遵循
- Index 权重
- 0.5
- 模型
- 68
- 数据截至
- 2026年11月16日
Stanford Center for Research on Foundation Models (crfm.stanford.edu), Apache-2.0 results.
测试内容
WildBench 从用户与聊天机器人的真实对话中选取任务,从编程求助到创意写作,并由评审模型按各任务专属的检查清单给回答打分。
评分方式
WB Score,由按检查清单评判的评审模型给出的 0 到 100 评分,由 Stanford CRFM 的 HELM 运行。
注意事项
由另一个模型评判,所以会继承评审模型的偏好;BenchLeader 因此只给它一半权重。
- 1Qwen3 235B A22B 250786.6%
- 2GPT-5.186.3%
- 3Kimi K286.2%
- 4o386.1%
- 5Gemini 3 Pro85.9%
- 6GPT-585.7%
- 7Gemini 2.5 Pro85.7%
- 8GPT-5 mini85.5%
- 9o4-mini85.4%
- 10Claude Sonnet 4.585.4%
- 11GPT-4.185.4%
- 12Claude Opus 4 (thinking)85.2%
- 13Grok 384.9%
- 14gpt-oss-120b84.5%
- 15Claude Haiku 4.583.9%
68 / 68
| # | ||||
|---|---|---|---|---|
| 1 | 86.6% | 50.7 | 2025-11-24 | |
| 2 | 86.3% | 56.1 | 2025-11-24 | |
| 3 | 86.2% | 51.1 | 2025-11-24 | |
| 4 | 86.1% | 60.4 | 2025-11-24 | |
| 5 | 85.9% | 60.0 | 2025-11-24 | |
| 6 | 85.7% | 56.6 | 2025-11-24 | |
| 7 | 85.7% | 55.2 | 2025-11-24 | |
| 8 | 85.5% | 56.6 | 2025-11-24 | |
| 9 | 85.4% | 55.2 | 2025-11-24 | |
| 10 | 85.4% | 53.8 | 2025-11-24 | |
| 11 | 85.4% | 48.7 | 2025-11-24 | |
| 12 | 85.2% | 55.7 | 2025-11-24 | |
| 13 | 84.9% | 50.9 | 2025-11-24 | |
| 14 | 84.5% | 46.1 | 2025-11-24 | |
| 15 | 83.9% | 47.7 | 2025-11-24 | |
| 16 | 83.8% | 53.8 | 2025-11-24 | |
| 17 | 83.8% | 44.7 | 2025-11-24 | |
| 18 | 83.3% | 51.9 | 2025-11-24 | |
| 19 | 83.1% | 44.3 | 2025-11-24 | |
| 20 | 82.8% | 50.1 | 2025-11-24 | |
| 21 | 82.8% | 49.1 | 2025-11-24 | |
| 22 | 82.8% | 42.8 | 2025-11-24 | |
| 23 | 82.5% | 50.0 | 2025-11-24 | |
| 24 | 81.8% | 48.3 | 2025-11-24 | |
| 25 | 81.7% | 52.4 | 2025-11-24 | |
| 26 | 81.4% | 49.2 | 2025-11-24 | |
| 27 | 81.3% | 41.4 | 2025-11-24 | |
| 28 | 81.1% | 36.9 | 2025-11-24 | |
| 29 | 80.7% | 52.2 | 2025-11-24 | |
| 30 | 80.6% | 56.2 | 2025-11-24 | |
| 31 | 80.2% | 43.1 | 2025-11-24 | |
| 32 | 80.2% | – | 2025-11-24 | |
| 33 | 80.1% | 42.5 | 2025-11-24 | |
| 34 | 80.0% | 43.5 | 2025-11-24 | |
| 35 | 80.0% | 41.8 | 2025-11-24 | |
| 36 | 79.7% | 58.1 | 2025-11-24 | |
| 37 | 79.2% | 46.8 | 2025-11-24 | |
| 38 | 79.2% | 38.2 | 2025-11-24 | |
| 39 | 79.1% | 35.2 | 2025-11-24 | |
| 40 | 79.0% | 48.0 | 2025-11-24 | |
| 41 | 78.9% | 46.7 | 2025-11-24 | |
| 42 | 78.8% | 45.1 | 2025-11-24 | |
| 43 | 78.8% | 38.4 | 2025-11-24 | |
| 44 | 78.3% | 41.8 | 2025-11-24 | |
| 45 | 78.3% | – | 2025-11-24 | |
| 46 | 78.0% | – | 2025-11-24 | |
| 47 | 77.9% | 38.2 | 2025-11-24 | |
| 48 | 77.7% | 40.5 | 2025-11-24 | |
| 49 | 76.0% | 38.7 | 2025-11-24 | |
| 50 | 75.8% | 40.7 | 2025-11-24 | |
| 51 | 75.0% | 38.2 | 2025-11-24 | |
| 52 | 74.3% | 39.2 | 2025-11-24 | |
| 53 | 74.1% | – | 2025-11-24 | |
| 54 | 73.9% | – | 2025-11-24 | |
| 55 | 73.7% | 44.5 | 2025-11-24 | |
| 56 | 73.4% | – | 2025-11-24 | |
| 57 | 73.1% | 39.8 | 2025-11-24 | |
| 58 | 71.1% | 37.4 | 2025-11-24 | |
| 59 | 68.9% | – | 2025-11-24 | |
| 60 | 68.6% | 33.0 | 2025-11-24 |
相关基准测试
WildBench (HELM) 上的热门模型对比
引用格式:BenchLeader,《WildBench (HELM) 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/helm_wildbench。
WildBench (HELM):常见问题
- WildBench (HELM) 衡量的是什么?
- WildBench 从用户与聊天机器人的真实对话中选取任务,从编程求助到创意写作,并由评审模型按各任务专属的检查清单给回答打分。分数以完成任务的百分比表示,越高越好。
- WildBench (HELM) 的最高分是多少?
- 截至 2026年11月16日,WildBench (HELM) 的最高分为 86.6%,由 Qwen3 235B A22B 2507 取得(结果日期 2025年11月24日),领先于 GPT-5.1(86.3%)。分数来自 HELM Capabilities,每天重新读取。
- 哪个 AI 模型在 WildBench (HELM) 上领先?
- 截至 2026年11月16日,WildBench (HELM) 排名第一的是 Qwen3 235B A22B 2507,分数为 86.6%(结果日期 2025年11月24日)。其后为 GPT-5.1(86.3%)。
- 有多少模型有 WildBench (HELM) 结果?
- BenchLeader 上有 68 个模型配置有 WildBench (HELM) 结果,全部取自 HELM Capabilities。
- WildBench (HELM) 由谁运行,多久更新一次?
- WildBench (HELM) 由 HELM Capabilities 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。
- WildBench (HELM) 是否计入 BenchLeader Index?
- 计入。WildBench (HELM) 计入 BenchLeader Index 的指令遵循类别,并经过归一化,使参评模型的平均值为 50。