BenchLeader

HiL-Bench 排行榜

截至 2026年11月16日,HiL-Bench 的最高分为 80.0%,由 Claude Fable 5.2(Anthropic)取得,领先于 Muse Wonder(79.7%)。共有 35 个模型配置公布了结果(Scale AI SEAL,结果日期 2026年11月11日)。HiL-Bench 检查智能体在任务描述不充分时,能否察觉并提出澄清问题,而不是去猜。HiL-Bench 计入 BenchLeader Index 的智能体与工具得分。

要点(截至 2026年11月16日)

  • Claude Fable 5.2 以 80.0% 保持 HiL-Bench 最高分(Scale AI SEAL,2026年11月11日)。
  • Muse Wonder 以 79.7% 位列 HiL-Bench 第二(Scale AI SEAL,2026年10月14日)。
  • HiL-Bench:智能体能否发现信息缺口并提出澄清问题。Scale AI(Scale AI SEAL)。
  • BenchLeader 上有 35 个模型配置公布了 HiL-Bench 结果(BenchLeader,2026年11月16日)。
  • HiL-Bench 计入 BenchLeader Index 的智能体与工具类别(BenchLeader 方法论)。

智能体能否发现信息缺口并提出澄清问题。Scale AI。

发布方
Scale AI SEAL
类别
智能体与工具
Index 权重
0.5
模型
35
数据截至
2026年11月16日
最新结果
2026年11月13日

Scale AI SEAL Leaderboards.

测试内容

HiL-Bench 检查智能体在任务描述不充分时,能否察觉并提出澄清问题,而不是去猜。

评分方式

处理正确的案例百分比,由 Scale AI 发布。

注意事项

这是一项奖励提问的行为测试;被调教成总是直接行动的模型即使能力很强,得分也会很低。

35 / 35
#
1新Claude Fable 5.280.0%65.42026-11-11
2Muse Wonder79.7%64.42026-10-14
3GPT-6.1 Terra68.0%–2026-11-04
4Muse Spark 1.366.9%61.62026-10-13
5MiniMax M3.1 Flash65.7%54.32026-11-08
6GPT-6 Astra65.3%66.42026-10-13
7GPT-6.1 Sol62.3%62.02026-10-13
8Gemini 4 Argon62.0%64.42026-10-16
9Claude Fable 5.161.5%66.42026-09-03
10SWE-261.5%–2026-10-21
11Kimi K3.1 Pro61.3%61.82026-11-13
12Muse Spark Open59.7%–2026-10-20
13Claude Opus 5.559.0%61.02026-10-13
14GLM 5.358.3%–2026-10-13
15Claude Opus 557.0%63.22026-07-28
16Claude Fable 556.3%65.42026-07-20
17Gemini 4 Carbon50.3%–2026-11-13
18DeepSeek V4 Flash47.8%53.82026-10-13
19GLM 5.243.7%51.92026-07-20
20Kimi K342.7%60.72026-10-13
21Claude Opus 4.741.7%63.12026-04-17
22Gemini 3.8 Flash41.5%56.42026-09-09
23GPT-5.539.7%61.02026-04-29
24DeepSeek V4 Pro38.5%53.02026-10-13
25Claude Opus 4.638.3%62.12026-04-16
26MiniMax M338.3%56.12026-10-13
27Gemini 3.1 Pro35.3%59.92026-04-16
28Claude Opus 4.835.3%58.72026-05-30
29GPT-5.6 Sol32.3%54.32026-07-20
30Gemini 3.5 Flash27.7%–2026-05-30
31Grok 4.2020.0%–2026-04-16
32Kimi K2.618.7%55.12026-04-29
33GPT-5.49.7%57.92026-04-16
34MiniMax M2.56.3%53.72026-04-16
35GPT-5.3-Codex4.3%–2026-04-16

更多智能体与工具基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《HiL-Bench 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/scale_hil。

HiL-Bench:常见问题

HiL-Bench 衡量的是什么?
HiL-Bench 检查智能体在任务描述不充分时,能否察觉并提出澄清问题,而不是去猜。分数以完成任务的百分比表示,越高越好。
HiL-Bench 的最高分是多少?
截至 2026年11月16日,HiL-Bench 的最高分为 80.0%,由 Claude Fable 5.2 取得(结果日期 2026年11月11日),领先于 Muse Wonder(79.7%)。分数来自 Scale AI SEAL,每天重新读取。
哪个 AI 模型在 HiL-Bench 上领先?
截至 2026年11月16日,HiL-Bench 排名第一的是 Claude Fable 5.2,分数为 80.0%(结果日期 2026年11月11日)。其后为 Muse Wonder(79.7%)。
有多少模型有 HiL-Bench 结果?
BenchLeader 上有 35 个模型配置有 HiL-Bench 结果,全部取自 Scale AI SEAL。
HiL-Bench 由谁运行,多久更新一次?
HiL-Bench 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。
HiL-Bench 是否计入 BenchLeader Index?
计入。HiL-Bench 计入 BenchLeader Index 的智能体与工具类别,并经过归一化,使参评模型的平均值为 50。