MultiChallenge 排行榜
截至 2026年11月16日,MultiChallenge 的最高分为 82.0%,由 GPT-6.1 Sol(OpenAI)取得,领先于 Gemini 4 Argon(78.7%)。共有 45 个模型配置公布了结果(Scale AI SEAL,结果日期 2026年10月7日)。MultiChallenge 测试多轮对话中的指令遵循:保持早先的约束、跟踪用户改了什么,并且不自相矛盾。MultiChallenge 计入 BenchLeader Index 的指令遵循得分。
要点(截至 2026年11月16日)
- GPT-6.1 Sol 以 82.0% 保持 MultiChallenge 最高分(Scale AI SEAL,2026年10月7日)。
- Gemini 4 Argon 以 78.7% 位列 MultiChallenge 第二(Scale AI SEAL,2026年10月21日)。
- MultiChallenge:在贴近真实对话约束下的多轮指令遵循。Scale AI(Scale AI SEAL)。
- BenchLeader 上有 45 个模型配置公布了 MultiChallenge 结果(BenchLeader,2026年11月16日)。
- MultiChallenge 计入 BenchLeader Index 的指令遵循类别(BenchLeader 方法论)。
在贴近真实对话约束下的多轮指令遵循。Scale AI。
- 类别
- 指令遵循
- Index 权重
- 1.0
- 模型
- 45
- 数据截至
- 2026年11月16日
Scale AI SEAL Leaderboards.
测试内容
MultiChallenge 测试多轮对话中的指令遵循:保持早先的约束、跟踪用户改了什么,并且不自相矛盾。
评分方式
满足全部约束的对话百分比,由模型按评分标准判定并经人工验证,由 Scale AI 发布。
注意事项
由模型评分,所以评分质量很重要;对话是合成的。
- 1GPT-6.1 Sol82.0%
- 2Gemini 4 Argon78.7%
- 3Muse Spark75.5%
- 4Muse Spark 1.175.3%
- 5DeepSeek V4.1 Flash 101774.9%
- 6GPT-6.1 Terra74.2%
- 7Muse Spark Open74.2%
- 8Gemini 3.1 Pro71.4%
- 9GPT-5.4 Pro69.2%
- 10Claude Haiku 5.567.7%
- 11Gemini 3 Pro65.7%
- 12GPT-5.1 (thinking)63.4%
- 13GPT-5 (thinking)63.2%
- 14o3-pro (high)62.4%
- 15Kimi K2.561.4%
45 / 45
| # | ||||
|---|---|---|---|---|
| 1 | 82.0% | 62.0 | 2026-10-07 | |
| 2 | 78.7% | 64.4 | 2026-10-21 | |
| 3 | 75.5% | 64.2 | 2026-10-07 | |
| 4 | 75.3% | 62.2 | 2026-10-07 | |
| 5 | 74.9% | – | 2026-10-26 | |
| 6 | 74.2% | – | 2026-10-27 | |
| 7 | 74.2% | – | 2026-10-21 | |
| 8 | 71.4% | 59.9 | 2026-10-07 | |
| 9 | 69.2% | 63.1 | 2026-10-07 | |
| 10 | 67.7% | – | 2026-10-08 | |
| 11 | 65.7% | 60.0 | 2026-10-07 | |
| 12 | 63.4% | 54.6 | 2026-10-07 | |
| 13 | 63.2% | – | 2026-10-07 | |
| 14 | 62.4% | 55.9 | 2026-10-07 | |
| 15 | 61.4% | 54.6 | 2026-10-07 | |
| 16 | 60.6% | 52.6 | 2026-10-07 | |
| 17 | 59.0% | – | 2026-10-07 | |
| 18 | 59.0% | 59.3 | 2026-10-07 | |
| 19 | 58.6% | 55.7 | 2026-10-07 | |
| 20 | 57.2% | 58.1 | 2026-10-07 | |
| 21 | 57.1% | 53.8 | 2026-10-07 | |
| 22 | 56.6% | 55.1 | 2026-10-07 | |
| 23 | 新 | 56.0% | – | 2026-10-22 |
| 24 | 56.0% | 58.4 | 2026-10-07 | |
| 25 | 55.4% | 52.3 | 2026-10-07 | |
| 26 | 55.3% | 52.3 | 2026-10-07 | |
| 27 | 53.6% | 55.2 | 2026-10-07 | |
| 28 | 51.6% | 52.9 | 2026-10-07 | |
| 29 | 51.2% | – | 2026-10-07 | |
| 30 | 50.5% | 45.7 | 2026-10-07 | |
| 31 | 46.1% | 49.0 | 2026-10-07 | |
| 32 | 45.3% | 46.1 | 2026-10-07 | |
| 33 | 44.9% | 51.2 | 2026-10-07 | |
| 34 | 43.2% | 43.2 | 2026-10-22 | |
| 35 | 41.2% | 50.1 | 2026-10-07 | |
| 36 | 39.4% | 48.7 | 2026-10-07 | |
| 37 | 38.7% | – | 2026-10-22 | |
| 38 | 37.1% | 57.0 | 2026-10-07 | |
| 39 | 36.4% | 43.5 | 2026-10-07 | |
| 40 | 36.0% | 39.1 | 2026-10-22 | |
| 41 | 27.8% | – | 2026-10-22 | |
| 42 | 25.7% | – | 2026-10-22 | |
| 43 | 25.1% | 46.7 | 2026-10-22 | |
| 44 | 23.7% | 33.0 | 2026-10-22 | |
| 45 | 22.8% | 33.6 | 2026-10-22 |
相关基准测试
MultiChallenge 上的热门模型对比
引用格式:BenchLeader,《MultiChallenge 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/scale_multichallenge。
MultiChallenge:常见问题
- MultiChallenge 衡量的是什么?
- MultiChallenge 测试多轮对话中的指令遵循:保持早先的约束、跟踪用户改了什么,并且不自相矛盾。分数以完成任务的百分比表示,越高越好。
- MultiChallenge 的最高分是多少?
- 截至 2026年11月16日,MultiChallenge 的最高分为 82.0%,由 GPT-6.1 Sol 取得(结果日期 2026年10月7日),领先于 Gemini 4 Argon(78.7%)。分数来自 Scale AI SEAL,每天重新读取。
- 哪个 AI 模型在 MultiChallenge 上领先?
- 截至 2026年11月16日,MultiChallenge 排名第一的是 GPT-6.1 Sol,分数为 82.0%(结果日期 2026年10月7日)。其后为 Gemini 4 Argon(78.7%)。
- 有多少模型有 MultiChallenge 结果?
- BenchLeader 上有 45 个模型配置有 MultiChallenge 结果,全部取自 Scale AI SEAL。
- MultiChallenge 由谁运行,多久更新一次?
- MultiChallenge 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。
- MultiChallenge 是否计入 BenchLeader Index?
- 计入。MultiChallenge 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。