BenchLeader

MASK 排行榜

截至 2026年11月16日,MASK 的最高分为 96.3%,由 Claude Opus 4.6(Anthropic)取得,领先于 Claude Sonnet 4.5(96.1%)。共有 65 个模型配置公布了结果(Scale AI SEAL,结果日期 2026年2月17日)。MASK 把诚实与准确区分开来:先引出模型的真实看法,再施压让它说出相反的话,诚实与否就看它能否坚持。MASK 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • Claude Opus 4.6 以 96.3% 保持 MASK 最高分(Scale AI SEAL,2026年2月17日)。
  • Claude Sonnet 4.5 以 96.1% 位列 MASK 第二(Scale AI SEAL,2025年10月2日)。
  • MASK:在被施压说谎时,模型是否仍说出自己的真实判断。Scale AI(Scale AI SEAL)。
  • BenchLeader 上有 65 个模型配置公布了 MASK 结果(BenchLeader,2026年11月16日)。
  • MASK 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

在被施压说谎时,模型是否仍说出自己的真实判断。Scale AI。

Scale AI SEAL 将这 65 个结果中的 38 个标记为可能受到污染:模型是在题目公开之后才接受评测的,题目可能已经进入其训练数据。这些分数同样列在下表中;本排行榜不计入 Index。

发布方
Scale AI SEAL
类别
安全与诚实
Index 权重
仅作参考
模型
65
数据截至
2026年11月16日

Scale AI SEAL Leaderboards.

测试内容

MASK 把诚实与准确区分开来:先引出模型的真实看法,再施压让它说出相反的话,诚实与否就看它能否坚持。

评分方式

诚实率,由 Scale AI 与 Center for AI Safety 发布。

注意事项

这是安全与对齐指标;不计入 Index。

65 / 65
#
1Claude Opus 4.6无推理96.3%58.42026-02-17可能
2Claude Sonnet 4.5thinking96.1%52.32025-10-02可能
3Claude Sonnet 4thinking95.3%53.82025-05-24–
4Claude Opus 4.1thinking94.2%58.12025-08-08可能
5Claude Opus 4.5thinking92.5%59.32025-11-26可能
6gpt-oss-120b92.0%46.12025-08-13可能
7GPT-5.4 Pro91.7%63.12026-03-23可能
8GPT-5.4thinking89.7%–2026-03-10可能
9Claude Sonnet 489.3%50.02025-05-23–
10Claude Opus 4thinking87.9%55.72025-05-24–
11Claude Opus 4.187.4%51.12025-08-08可能
12Claude Opus 4.587.1%57.12025-11-26可能
13GPT-5.286.7%56.72025-12-15可能
14gpt-oss-20b86.5%44.52025-08-13可能
15Claude Sonnet 4.586.4%53.82025-10-02可能
16GPT-5.1thinking86.3%54.62025-11-26可能
17GPT-5 Pro86.0%59.62025-11-06可能
18Claude Opus 4.6max85.4%57.02026-02-17可能
19o3high84.5%55.12025-04-25可能
20GPT-5 mini82.6%56.62025-08-22可能
21o3medium82.6%53.32025-04-16可能
22o3-prohigh82.5%55.92025-06-26可能
23Claude 3.7 Sonnetthinking82.1%52.92025-03-05–
24Claude Opus 480.3%51.92025-05-23可能
25GPT-579.3%56.62025-08-13可能
26Claude 3 Opus79.0%38.82025-03-05–
27o4-minihigh78.6%51.22025-04-25可能
28o4-minimedium72.9%51.72025-04-16可能
29Claude 3.5 Sonnet72.3%46.82025-03-05–
30Claude 3.7 Sonnet72.3%49.22025-03-05–
31Kimi K2.570.5%54.62026-02-12可能
32GPT 5.1 Instant63.3%–2025-11-26可能
33o1-pro61.6%–2025-03-05–
34GLM-4.561.5%51.62025-08-13可能
35Llama 3.1 405B61.4%41.82025-03-05–
36GPT-4.1 nano61.4%36.92025-04-14可能
37GLM-4.5-Air60.8%46.72025-08-13可能
38GPT-4o60.1%42.82025-03-05–
39o159.3%52.52025-03-05–
40DeepSeek R157.3%47.22025-03-05–
41GPT-4.556.9%50.52025-03-05–
42Mistral Magistral56.5%–2025-06-26可能
43Qwen3 235B A22B56.4%50.12025-05-01可能
44Gemini 2.5 Pro55.9%55.22025-03-05–
45Llama 3.2 90B Vision54.1%36.02025-03-05–
46DeepSeek R1 052853.0%49.12025-05-29–
47Llama 3.3 70B51.9%39.92025-03-05–
48GPT-4.151.1%48.72025-04-15可能
49GPT-4.1 mini50.0%44.72025-04-14可能
50Llama 4 Maverick49.7%41.82025-03-05–
51o3-minilow49.7%40.22026-03-25–
52Gemini 2.0 Flash Thinkingthinking49.5%45.12025-03-05–
53Gemini 2.5 Flash49.1%52.42026-03-25可能
54Gemini 2.0 Flash49.1%43.52025-03-05–
55o3-minimedium48.9%46.42025-03-05–
56Gemini 2.0 Pro48.7%47.52025-04-01–
57Gemini 3.1 Flash Lite48.4%52.62026-03-23可能
58Mistral Large 2.147.5%42.52025-04-01–
59o3-minihigh46.8%47.92025-04-01–
60Kimi K246.7%51.12025-07-23可能

更多安全与诚实基准测试 · 全部大模型基准测试

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

MASK:常见问题

MASK 衡量的是什么?
MASK 把诚实与准确区分开来:先引出模型的真实看法,再施压让它说出相反的话,诚实与否就看它能否坚持。分数以完成任务的百分比表示,越高越好。
MASK 的最高分是多少?
截至 2026年11月16日,MASK 的最高分为 96.3%,由 Claude Opus 4.6 取得(结果日期 2026年2月17日),领先于 Claude Sonnet 4.5(96.1%)。分数来自 Scale AI SEAL,每天重新读取。
哪个 AI 模型在 MASK 上领先?
截至 2026年11月16日,MASK 排名第一的是 Claude Opus 4.6,分数为 96.3%(结果日期 2026年2月17日)。其后为 Claude Sonnet 4.5(96.1%)。
有多少模型有 MASK 结果?
BenchLeader 上有 65 个模型配置有 MASK 结果,全部取自 Scale AI SEAL。
MASK 由谁运行,多久更新一次?
MASK 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。
MASK 是否计入 BenchLeader Index?
不计入。MASK 仅作参考展示,不计入综合分数。