BenchLeader

哪些 AI 基准测试已经饱和?

数据截至 2026年11月16日 · 最后更新于 · BenchLeader

BenchLeader 追踪的 285 项基准测试中,34 项已饱和,39 项接近饱和:顶尖模型的分数都已逼近上限,难以分出高下。对于按百分比计分的排行榜,第五名模型达到 90% 或以上即视为饱和;现役排行榜有 188 项,已退役(一年没有新结果)的有 24 项。饱和最多的是数学类:21 项中有 11 项。

各类别基准测试的状态BenchLeader 追踪的 285 项基准测试中,34 项已饱和,39 项接近饱和:顶尖模型的分数都已逼近上限,难以分出高下。各类别基准测试的状态已饱和接近饱和现役已退役推理推理:已饱和 9推理:接近饱和 3推理:现役 18推理:已退役 838编程编程:已饱和 5编程:接近饱和 8编程:现役 38编程:已退役 253智能体与工具智能体与工具:已饱和 2智能体与工具:接近饱和 6智能体与工具:现役 60智能体与工具:已退役 169数学数学:已饱和 11数学:现役 8数学:已退役 221知识知识:已饱和 5知识:接近饱和 7知识:现役 21知识:已退役 437指令遵循指令遵循:已饱和 1指令遵循:接近饱和 3指令遵循:现役 48人类偏好人类偏好:现役 6人类偏好:已退役 17多模态多模态:接近饱和 7多模态:现役 14多模态:已退役 627长上下文长上下文:接近饱和 2长上下文:现役 35综合综合:接近饱和 2综合:现役 1315安全与诚实安全与诚实:已饱和 1安全与诚实:接近饱和 1安全与诚实:现役 24元数据元数据:现役 11BenchLeader · 数据截至 2026年11月16日 · CC BY 4.0www.benchleader.com/stats/benchmark-saturation
BenchLeader 追踪的 285 项基准测试中,34 项已饱和,39 项接近饱和:顶尖模型的分数都已逼近上限,难以分出高下。悬停或点按某个条形,可查看其中的基准测试。 图表图片(SVG)

关键数据

每条数据都有独立链接(#),可直接引用。

  • BenchLeader 追踪的 285 项基准测试中,已饱和 34 项、接近饱和 39 项、现役 188 项、已退役 24 项(BenchLeader,2026年11月16日)。 #
  • 已饱和排行榜占比最高的类别是数学:21 项中有 11 项(BenchLeader,2026年11月16日)。 #
  • GPQA Diamond 已饱和:第五名模型的得分为 95.4%(BenchLeader,2026年11月16日)。 #
  • ARC-AGI-2 已饱和:第五名模型的得分为 93.3%(BenchLeader,2026年11月16日)。 #
  • Humanity's Last Exam 仍是现役:第一名得分 54.8%(BenchLeader,2026年11月16日)。 #
  • 在有 10 个以上模型结果的现役排行榜中,FrontierMath Erdős(最高分 4.4%)和 FORTRESS(最高分 5.8%) 最难(BenchLeader,2026年11月16日)。 #

各类别的饱和情况

类别已饱和接近饱和现役已退役合计
推理9318838
编程5838253
智能体与工具2660169
数学11–8221
知识5721437
指令遵循134–8
人类偏好––617
多模态–714627
长上下文–23–5
综合–213–15
安全与诚实112–4
元数据––1–1
全部343918824285

已饱和的基准测试(34)

第五名模型的得分达到 90% 或以上。每个模型只按其最高分计一次。

基准测试类别第五名领先者第一名得分模型
OTIS Mock AIME数学100%Gemini 4 Carbon100%289
ProofBench数学99%Claude Fable 5.2100%85
τ²-Bench Telecom (AA)智能体与工具98.5%GLM 5.299.1%418
ARC-AGI-1推理98.5%Claude Fable 5.298.5%265
AIME 2026数学98.3%GPT-5.5100%31
SWE-Bench Pro V2编程97.7%Claude Opus 599.4%18
DTBench推理97.6%Claude Fable 5.299.2%238
LiveBench Mathematics数学96.7%Claude Opus 5.597.1%68
AIME (Vals)数学96.7%Gemini 3.1 Pro98.1%94
ARC-AGI-3推理96.4%GPT-6 Astra99.9%79
AIME 2025 (AA)数学96.3%GPT-5.299%255
HMMT February 2026数学96.2%GPT-5.598.5%31
MedQA知识96.1%o196.5%93
SWE-bench (Vals)编程95.4%Claude Opus 597%86
GPQA Diamond推理95.4%Gemini 4 Carbon96.5%306
MATH 500数学95.2%Gemini 3 Pro96.4%58
FrontierMath Tier 4数学95%Claude Fable 5.2100%79
GPQA Diamond (AA)推理94.1%GPT-6 Astra96.3%567
GPQA Diamond (Vals)推理93.9%Gemini 3.1 Pro95.5%133
MGSM数学93.9%Claude Opus 4.595.2%73
ARC-AGI-2推理93.3%GPT-6 Astra95%265
IFEval (HELM)指令遵循92.9%Grok 3 mini95.1%68
FACTS Search智能体与工具92.7%Gemini 4 Carbon94.4%26
MASK安全与诚实92.5%Claude Opus 4.696.3%65
LiveBench 2.0 Reasoning推理91.7%Gemini 4 Argon95.1%34
LiveBench 1.0 Reasoning推理91.7%GPT-6 Astra92.7%68
Global-MMLU-Lite (AA)知识91.3%Gemini 3.1 Pro93.2%115
IOI编程91.2%GPT-6 Astra100%46
FrontierMath Tiers 1–3数学90.9%Claude Fable 5.295.1%123
Vibe Code Bench v1.1编程90.3%Claude Fable 5.293.8%124
MMLU-Pro知识90.2%Claude Fable 5.192.4%133
SWE-Bench Pro V2 HARD编程90.2%Claude Opus 598%18
MedScribe知识90.1%Claude Opus 5.591.4%106
LiveBench Research知识90%Claude Fable 5.294.5%34

接近饱和的基准测试(39)

第一名达到 90% 或以上,或第五名模型达到 80% 或以上。

基准测试类别第五名领先者第一名得分模型
WeirdML编程89.4%GPT-6 Astra93.6%159
LiveCodeBench (AA)编程89.4%Gemini 3 Pro91.8%307
LiveBench Browser智能体与工具89.3%GPT-6.1 Sol93.3%34
SAGE多模态89.3%Claude Opus 5.591.3%29
MMMU-Pro (Vals)多模态89.0%Claude Fable 5.190.6%91
Fiction.LiveBench 120k长上下文88.9%o3100%36
Terminal-Bench 2.1 (AA)编程88.8%Claude Fable 5.191.4%240
LiveBench Language指令遵循88.7%Claude Fable 590.7%68
LiveCodeBench编程88.7%Claude Fable 5.190.5%140
Surface Evolver Bench编程87.5%Claude Fable 595%29
LegalBench知识87.4%Claude Fable 588.6%147
LiveBench 2.0 Coding编程87.1%Gemini 4 Carbon91%34
SimpleBench推理86.6%Claude Fable 5.294.9%111
MMLU-Pro (HELM)知识86.3%Gemini 3 Pro90.3%68
GeoBench多模态86%Claude Fable 589%44
MMMU-Pro多模态86.0%Gemini 4 Carbon89.3%296
WildBench (HELM)指令遵循85.9%Qwen3 235B A22B 250786.6%68
MCP Atlas智能体与工具85.4%Gemini 4 Argon90.7%37
AA-LCR v1.1长上下文85.3%Kimi K388.7%572
Terminal-Bench 2.1 (Vals)智能体与工具84.6%Claude Opus 5.587.6%75
LiveBench 1.0 Coding编程83.9%Claude Sonnet 5.591.4%68
Kagi LLM Benchmark推理83.5%Claude Fable 591.4%137
LiveBench 2.0综合83.4%Claude Fable 5.284.9%34
LiveBench 2.0 Data Analysis知识82.7%Gemini 4 Carbon86.5%34
AA-Omniscience v1.1: non-hallucination知识82.7%Gemini 4 Carbon95.8%142
DistressBench安全与诚实82.3%Muse Spark 1.288.4%43
LiveBench 1.0综合81.6%Claude Fable 5.183.4%68
LiveBench 1.0 Data Analysis知识81.2%GPT-6 Astra83.0%68
IFBench指令遵循80.5%Grok 4.383.3%428
LiveBench Design多模态80.2%Claude Fable 5.285.1%34
Furniture Assembly多模态79.2%Claude Fable 5.290%39
MirrorCode编程78.9%Claude Sonnet 5.597.8%45
CyberGym end-to-end (AA)智能体与工具77.9%Kimi K3.1 Pro94.7%26
SimpleQA Verified知识73.9%Claude Fable 5.294%99
Mystery Game Puzzles推理73%Claude Fable 5.290%146
EBR-bench知识71.4%Claude Fable 5.290.5%31
VPCT多模态58.7%Gemini 3 Pro91%30
Cybench智能体与工具42%Claude Opus 4.693%21
Time Horizon Index: KSP智能体与工具23.8%Claude Opus 5.591.3%13

最难的现役基准测试

有 10 个以上模型结果、按百分比计分的现役排行榜,按第一名得分从低到高排列。

基准测试类别第五名领先者第一名得分模型
FrontierMath Erdős数学2.9%GPT-6.1 Sol4.4%15
FORTRESS安全与诚实9.6%Claude Opus 5.55.8%83
PropensityBench安全与诚实33.2%o310.5%14
Harvey LAB-AA v1.1智能体与工具8.6%Muse Wonder Full13.1%33
BTF-3推理14.1%GLM 5.3 Flash14.9%13
GDPx智能体与工具9%Claude Fable 5.216.4%21
ProgramBench编程5.5%Claude Fable 5.219%65
CL-bench Life推理16.9%GPT-5.522.2%17
SciPredict推理22.2%Gemini 3 Pro25.3%15
Harvey's Legal Agent Benchmark v1智能体与工具19.6%Muse Spark 1.225.4%80

取而代之的基准测试

对于已饱和或已退役的排行榜,列出测试同一能力、仍能拉开顶尖模型差距的现役基准测试。

这些数字是怎么得出的

BenchLeader 只对有至少 10 个模型结果、按百分比计分的基准测试判断饱和。已饱和:第五名模型(每个模型取其最高分)达到 90% 或以上,领先者之间只剩噪声。接近饱和:第一名达到 90% 或以上,或第五名达到 80% 或以上。已退役:超过 365 天没有新结果。其他基准测试(Elo 评分、金额、小型排行榜)除非已退役,否则都算“现役”。数量是 BenchLeader 从 48 家发布方追踪的基准测试,并非所有已发布的基准测试。

有些统计网站在第一名超过 90% 时就认定基准测试已饱和。BenchLeader 看第五名模型,这样单个异常高的结果不会让一个排行榜被判为饱和。这些状态与基准测试目录中显示的相同。

使用此图表

这些数量是 BenchLeader 自己的数据,可依 CC BY 4.0 自由使用:请注明 BenchLeader 并链接到本页。 表格和 CSV 中的基准测试分数仍适用各基准测试发布方自己的条款。

嵌入代码

<figure><a href="https://www.benchleader.com/zh/stats/benchmark-saturation"><img src="https://www.benchleader.com/stats/benchmark-saturation.svg" alt="BenchLeader 追踪的 285 项基准测试中,34 项已饱和,39 项接近饱和:顶尖模型的分数都已逼近上限,难以分出高下。" width="760"></a><figcaption>来源: <a href="https://www.benchleader.com/zh/stats/benchmark-saturation">BenchLeader</a>, CC BY 4.0</figcaption></figure>

下载表格(CSV)

引用格式

BenchLeader,《AI 基准测试饱和度统计》,数据截至 2026年11月16日,https://www.benchleader.com/zh/stats/benchmark-saturation。

常见问题

基准测试“饱和”是什么意思?
当最好的模型都接近满分,彼此之间的差异只剩噪声时,这项基准测试就饱和了。对于有 10 个以上模型结果、按百分比计分的排行榜,BenchLeader 在第五名模型达到 90% 或以上时将其标为“已饱和”,在第一名超过 90% 或第五名超过 80% 时标为“接近饱和”。
有多少 AI 基准测试已经饱和?
BenchLeader 追踪的 285 项基准测试中,34 项已饱和,39 项接近饱和:顶尖模型的分数都已逼近上限,难以分出高下。其余的:现役 188 项,已退役 24 项。
最难的 AI 基准测试有哪些?
在有 10 个以上模型结果的现役排行榜中,是 FrontierMath Erdős(最高分 4.4%)和 FORTRESS(最高分 5.8%)。
为什么看第五名,而不是最高分?
有些统计网站在第一名超过 90% 时就认定基准测试已饱和。BenchLeader 看第五名模型,这样单个异常高的结果不会让一个排行榜被判为饱和。

相关: 全部基准测试、方法说明、BenchLeader Index、AI 模型发布统计、全部统计