EnigmaEval 排行榜
截至 2026年11月16日,EnigmaEval 的最高分为 39.3%,由 Claude Fable 5(Anthropic)取得,领先于 GPT-5.6 Sol(37.1%)。共有 5 个模型配置公布了结果(Scale AI SEAL,结果日期 2026年3月23日)。EnigmaEval 采用解谜寻宝(puzzle hunt)的谜题,它们在多个步骤中结合文字游戏、图片、密码和横向思维,要求给出最终答案。EnigmaEval 计入 BenchLeader Index 的推理得分。
要点(截至 2026年11月16日)
- Claude Fable 5 以 39.3% 保持 EnigmaEval 最高分(Scale AI SEAL,2026年3月23日)。
- GPT-5.6 Sol 以 37.1% 位列 EnigmaEval 第二(Scale AI SEAL,2026年3月25日)。
- EnigmaEval:解谜寻宝(Puzzle Hunt)式的多步推理。Scale AI(Scale AI SEAL)。
- BenchLeader 上有 5 个模型配置公布了 EnigmaEval 结果(BenchLeader,2026年11月16日)。
- EnigmaEval 计入 BenchLeader Index 的推理类别(BenchLeader 方法论)。
解谜寻宝(Puzzle Hunt)式的多步推理。Scale AI。
- 类别
- 推理
- Index 权重
- 0.5
- 模型
- 5
- 数据截至
- 2026年11月16日
Scale AI SEAL Leaderboards.
测试内容
EnigmaEval 采用解谜寻宝(puzzle hunt)的谜题,它们在多个步骤中结合文字游戏、图片、密码和横向思维,要求给出最终答案。
评分方式
解出谜题的百分比,由 Scale AI 发布。
注意事项
所有模型的分数都很低;谜题是多模态的且风格古怪,所以它是前沿推理能力的信号,而不是通用测试。
- 1Claude Fable 5 (high)39.3%
- 2GPT-5.6 Sol (high)37.1%
- 3Gemini 3.1 Pro (high)36.8%
- 4Gemini 3.5 Flash (high)25.4%
- 5Claude Opus 4.8 (xhigh)23.5%
5 / 5
| # | ||||
|---|---|---|---|---|
| 1 | 39.3% | 63.9 | 2026-03-23 | |
| 2 | 37.1% | 63.4 | 2026-03-25 | |
| 3 | 36.8% | 60.4 | 2025-11-06 | |
| 4 | 25.4% | 62.5 | 2025-11-19 | |
| 5 | 23.5% | – | 2026-03-10 |
相关基准测试
EnigmaEval 上的热门模型对比
引用格式:BenchLeader,《EnigmaEval 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/scale_enigma_eval。
EnigmaEval:常见问题
- EnigmaEval 衡量的是什么?
- EnigmaEval 采用解谜寻宝(puzzle hunt)的谜题,它们在多个步骤中结合文字游戏、图片、密码和横向思维,要求给出最终答案。分数以完成任务的百分比表示,越高越好。
- EnigmaEval 的最高分是多少?
- 截至 2026年11月16日,EnigmaEval 的最高分为 39.3%,由 Claude Fable 5 取得(结果日期 2026年3月23日),领先于 GPT-5.6 Sol(37.1%)。分数来自 Scale AI SEAL,每天重新读取。
- 哪个 AI 模型在 EnigmaEval 上领先?
- 截至 2026年11月16日,EnigmaEval 排名第一的是 Claude Fable 5,分数为 39.3%(结果日期 2026年3月23日)。其后为 GPT-5.6 Sol(37.1%)。
- 有多少模型有 EnigmaEval 结果?
- BenchLeader 上有 5 个模型配置有 EnigmaEval 结果,全部取自 Scale AI SEAL。
- EnigmaEval 由谁运行,多久更新一次?
- EnigmaEval 由 Scale AI SEAL 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。
- EnigmaEval 是否计入 BenchLeader Index?
- 计入。EnigmaEval 计入 BenchLeader Index 的推理类别,并经过归一化,使参评模型的平均值为 50。