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。
- 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。
- 1Claude Fable 5.280.0%
- 2Muse Wonder79.7%
- 3GPT-6.1 Terra68.0%
- 4Muse Spark 1.366.9%
- 5MiniMax M3.1 Flash65.7%
- 6GPT-6 Astra65.3%
- 7GPT-6.1 Sol62.3%
- 8Gemini 4 Argon62.0%
- 9Claude Fable 5.161.5%
- 10SWE-261.5%
- 11Kimi K3.1 Pro61.3%
- 12Muse Spark Open59.7%
- 13Claude Opus 5.559.0%
- 14GLM 5.358.3%
- 15Claude Opus 557.0%
35 / 35
| # | ||||
|---|---|---|---|---|
| 1 | 新 | 80.0% | 65.4 | 2026-11-11 |
| 2 | 79.7% | 64.4 | 2026-10-14 | |
| 3 | 68.0% | – | 2026-11-04 | |
| 4 | 66.9% | 61.6 | 2026-10-13 | |
| 5 | 65.7% | 54.3 | 2026-11-08 | |
| 6 | 65.3% | 66.4 | 2026-10-13 | |
| 7 | 62.3% | 62.0 | 2026-10-13 | |
| 8 | 62.0% | 64.4 | 2026-10-16 | |
| 9 | 61.5% | 66.4 | 2026-09-03 | |
| 10 | 61.5% | – | 2026-10-21 | |
| 11 | 61.3% | 61.8 | 2026-11-13 | |
| 12 | 59.7% | – | 2026-10-20 | |
| 13 | 59.0% | 61.0 | 2026-10-13 | |
| 14 | 58.3% | – | 2026-10-13 | |
| 15 | 57.0% | 63.2 | 2026-07-28 | |
| 16 | 56.3% | 65.4 | 2026-07-20 | |
| 17 | 50.3% | – | 2026-11-13 | |
| 18 | 47.8% | 53.8 | 2026-10-13 | |
| 19 | 43.7% | 51.9 | 2026-07-20 | |
| 20 | 42.7% | 60.7 | 2026-10-13 | |
| 21 | 41.7% | 63.1 | 2026-04-17 | |
| 22 | 41.5% | 56.4 | 2026-09-09 | |
| 23 | 39.7% | 61.0 | 2026-04-29 | |
| 24 | 38.5% | 53.0 | 2026-10-13 | |
| 25 | 38.3% | 62.1 | 2026-04-16 | |
| 26 | 38.3% | 56.1 | 2026-10-13 | |
| 27 | 35.3% | 59.9 | 2026-04-16 | |
| 28 | 35.3% | 58.7 | 2026-05-30 | |
| 29 | 32.3% | 54.3 | 2026-07-20 | |
| 30 | 27.7% | – | 2026-05-30 | |
| 31 | 20.0% | – | 2026-04-16 | |
| 32 | 18.7% | 55.1 | 2026-04-29 | |
| 33 | 9.7% | 57.9 | 2026-04-16 | |
| 34 | 6.3% | 53.7 | 2026-04-16 | |
| 35 | 4.3% | – | 2026-04-16 |
相关基准测试
HiL-Bench 上的热门模型对比
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。