质量:BenchLeader Index
汇总所有质量基准测试的综合指标:按基准测试逐项标准化,再按类别取平均。须在两个类别中至少有五项基准测试结果。 完整大模型排行榜另有速度、价格和所有配置。
截至 2026年11月16日,BenchLeader 在“质量”榜上将 Claude Fable 5.2 排在第一(72.7)。其后为 Gemini 4 Carbon(68.9)和 Claude Opus 5.5(68.4)。
608 个模型 · 数据截至 2026年11月16日
- 1Claude Fable 5.2 (max)72.7
- 2Gemini 4 Carbon (high)68.9
- 3Claude Opus 5.5 (max)68.4
- 4GPT-6 Astra (max)67.3
- 5Claude Fable 5.1 (max)66.7
- 6GPT-6.1 Sol (max)66.6
- 7Claude Fable 565.4
- 8GPT-5.6 Sol (max)65.3
- 9Gemini 4 Argon (high)65.3
- 10Claude Opus 5 (max)65.0
- 11Muse Wonder64.4
- 12Muse Spark64.2
- 13Claude Sonnet 5.5 (max)64.2
- 14GPT-5.5 (xhigh)64.1
- 15GPT-6.1 Terra (max)64.1
339 / 339
常见问题
- 排行榜上最好的大模型是哪个?
- 截至 2026年11月16日,Anthropic 的 Claude Fable 5.2(推理强度 max) 以 BenchLeader Index 72.7 ±4.3 位居第一。
- 为什么排名靠前的模型有这么多并列?
- 因为证据无法区分它们:截至 2026年11月16日,有 5 个配置的得分落在第一名的误差范围内。每个分数旁的 ± 表示其基准测试结果之间的差异大小;如果两个模型都落在对方的误差范围内,质量上就视为并列,此时应按价格或速度来选。
- BenchLeader Index 是如何计算的?
- 每项基准测试的分数先标准化,使被评测模型的平均值为 50、一个标准差为 15 分;再在各类别(编程、推理、数学等)内取平均,最后把各类别合成为 BenchLeader Index。模型须在至少两个类别中有至少五项第三方结果才能进入排名,证据不足的分数会向 50 收缩。完整方法见方法说明页面。
引用格式:BenchLeader,《质量:BenchLeader Index》,数据截至 2026年11月16日,https://www.benchleader.com/zh/leaderboards/quality。