BenchLeader

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。

发布方
HELM Capabilities
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。

68 / 68
#
1Qwen3 235B A22B 250786.6%50.72025-11-24
2GPT-5.186.3%56.12025-11-24
3Kimi K286.2%51.12025-11-24
4o386.1%60.42025-11-24
5Gemini 3 Pro85.9%60.02025-11-24
6GPT-585.7%56.62025-11-24
7Gemini 2.5 Pro85.7%55.22025-11-24
8GPT-5 mini85.5%56.62025-11-24
9o4-mini85.4%55.22025-11-24
10Claude Sonnet 4.585.4%53.82025-11-24
11GPT-4.185.4%48.72025-11-24
12Claude Opus 4thinking85.2%55.72025-11-24
13Grok 384.9%50.92025-11-24
14gpt-oss-120b84.5%46.12025-11-24
15Claude Haiku 4.583.9%47.72025-11-24
16Claude Sonnet 4thinking83.8%53.82025-11-24
17GPT-4.1 mini83.8%44.72025-11-24
18Claude Opus 483.3%51.92025-11-24
19DeepSeek V383.1%44.32025-11-24
20Qwen3 235B A22B82.8%50.12025-11-24
21DeepSeek R1 052882.8%49.12025-11-24
22GPT-4o82.8%42.82025-11-24
23Claude Sonnet 482.5%50.02025-11-24
24Gemini 2.5 Flash-Lite81.8%48.32025-11-24
25Gemini 2.5 Flash81.7%52.42025-11-24
26Claude 3.7 Sonnet81.4%49.22025-11-24
27Gemini 1.5 Pro 00281.3%41.42025-11-24
28GPT-4.1 nano81.1%36.92025-11-24
29Qwen3-Next 80B A3Bthinking80.7%52.22025-11-24
30GPT-5 nano80.6%56.22025-11-24
31Qwen2.5 72B80.2%43.12025-11-24
32Palmyra X 00480.2%–2025-11-24
33Mistral Large 2.180.1%42.52025-11-24
34Gemini 2.0 Flash80.0%43.52025-11-24
35Llama 4 Maverick80.0%41.82025-11-24
36Grok 479.7%58.12025-11-24
37Claude 3.5 Sonnet79.2%46.82025-11-24
38Gemini 1.5 Flash 00279.2%38.22025-11-24
39GPT-4o mini79.1%35.22025-11-24
40Gemini 2.0 Flash-Lite79.0%48.02025-11-24
41GLM-4.5-Air78.9%46.72025-11-24
42Nova Premier78.8%45.12025-11-24
43Mistral Small 3.178.8%38.42025-11-24
44Llama 3.1 405B78.3%41.82025-11-24
45Palmyra Fin78.3%–2025-11-24
46Palmyra X578.0%–2025-11-24
47Llama 4 Scout77.9%38.22025-11-24
48Nova Pro77.7%40.52025-11-24
49Claude 3.5 Haiku76.0%38.72025-11-24
50Llama 3.1 70B75.8%40.72025-11-24
51Nova Lite75.0%38.22025-11-24
52Nova Micro74.3%39.22025-11-24
53Granite 3.3 8B74.1%–2025-11-24
54Granite 4.0 Small73.9%–2025-11-24
55gpt-oss-20b73.7%44.52025-11-24
56Olmo 2 32B March 202573.4%–2025-11-24
57Qwen2.5 7B Instruct73.1%39.82025-11-24
58Mixtral 8x22B Instruct71.1%37.42025-11-24
59Olmo 2 13B November 202468.9%–2025-11-24
60Llama 3.1 8B68.6%33.02025-11-24

更多指令遵循基准测试 · 全部大模型基准测试

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。