BenchLeader

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。

发布方
Scale AI SEAL
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。

45 / 45
#
1GPT-6.1 Sol82.0%62.02026-10-07
2Gemini 4 Argon78.7%64.42026-10-21
3Muse Spark75.5%64.22026-10-07
4Muse Spark 1.175.3%62.22026-10-07
5DeepSeek V4.1 Flash 101774.9%–2026-10-26
6GPT-6.1 Terra74.2%–2026-10-27
7Muse Spark Open74.2%–2026-10-21
8Gemini 3.1 Pro71.4%59.92026-10-07
9GPT-5.4 Pro69.2%63.12026-10-07
10Claude Haiku 5.567.7%–2026-10-08
11Gemini 3 Pro65.7%60.02026-10-07
12GPT-5.1thinking63.4%54.62026-10-07
13GPT-5thinking63.2%–2026-10-07
14o3-prohigh62.4%55.92026-10-07
15Kimi K2.561.4%54.62026-10-07
16Gemini 3.1 Flash Lite60.6%52.62026-10-07
17GPT-5 minithinking59.0%–2026-10-07
18Claude Opus 4.5thinking59.0%59.32026-10-07
19Claude Opus 4thinking58.6%55.72026-10-07
20Claude Opus 4.1thinking57.2%58.12026-10-07
21Claude Sonnet 4thinking57.1%53.82026-10-07
22o3high56.6%55.12026-10-07
23新Nemotron 3.5 Bolt E4Bthinking56.0%–2026-10-22
24Claude Opus 4.6无推理56.0%58.42026-10-07
25Kimi K2 Thinkingthinking55.4%52.32026-10-07
26Claude Sonnet 4.5thinking55.3%52.32026-10-07
27Gemini 2.5 Pro53.6%55.22026-10-07
28Claude 3.7 Sonnetthinking51.6%52.92026-10-07
29GPT 5.1 Instant51.2%–2026-10-07
30Claude Haiku 4.5thinking50.5%45.72026-10-07
31DeepSeek V3.146.1%49.02026-10-07
32gpt-oss-120b45.3%46.12026-10-07
33o4-minihigh44.9%51.22026-10-07
34Gemma 4 E4Bthinking43.2%43.22026-10-22
35Qwen3 235B A22B41.2%50.12026-10-07
36GPT-4.139.4%48.72026-10-07
37Nemotron 3 Nano 4Bthinking38.7%–2026-10-22
38Claude Opus 4.6max37.1%57.02026-10-07
39Gemini 2.0 Flash36.4%43.52026-10-07
40Gemma 4 E2Bthinking36.0%39.12026-10-22
41Ministral 3 8Bthinking27.8%–2026-10-22
42Ministral 3 3Bthinking25.7%–2026-10-22
43Qwen3.5-4Bthinking25.1%46.72026-10-22
44Llama 3.1 8B23.7%33.02026-10-22
45Gemma 3 4B22.8%33.62026-10-22

更多指令遵循基准测试 · 全部大模型基准测试

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。