主流大模型评测基准榜单

大模型评测基准与性能对比

本页面展示了多个主流大模型在各项评测基准上的表现，包括MMLU、GSM8K、HumanEval等多个标准数据集。我们通过实时更新的评测结果，帮助开发者和研究人员了解不同大模型在各种任务下的表现。用户可以选择自定义模型与评测基准进行对比，快速获取不同模型在实际应用中的优劣势。

各个评测基准的详细介绍可见： LLM 评测基准列表与介绍

模型名称	MMLU Pro 知识问答	MMLU 知识问答	GSM8K 数学推理	MATH 数学推理	GPQA Diamond 常识推理	BBH 综合评估	HumanEval 代码生成	MBPP 代码生成	参数数量
Phi-4-mini-instruct (3.8B)	52.80	67.30	88.60	64.00	36.00	0.00	74.40	65.30	38.0
Qwen2.5-3B	34.60	65.60	79.10	42.60	24.30	56.30	42.10	57.10	30.0
Llama-3.2-3B	25.00	54.75	34.00	8.50	26.60	46.80	28.00	48.70	32.0
Phi-4-instruct (reasoning-trained)	0.00	0.00	0.00	0.00	49.00	0.00	0.00	0.00	38.0