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
Gemini 2.0 Pro Experimental	79.10	86.50	0.00	91.80	64.70	0.00	0.00	0.00	未知
Claude 3.5 Sonnet New	78.00	88.30	0.00	78.30	65.00	92.60	93.70	0.00	未知
GPT-4o(2024-11-20)	77.90	85.70	0.00	68.50	0.00	0.00	90.20	0.00	未知
Qwen2.5-Max	76.10	87.90	94.50	68.50	0.00	0.00	73.20	80.60	未知
DeepSeek-V3	75.90	88.50	0.00	87.80	59.10	92.30	89.00	0.00	6810.0
Grok 2	75.50	87.50	0.00	76.10	56.00	0.00	88.40	0.00	未知
Llama3.3-70B-Instruct	68.90	86.00	0.00	77.00	50.50	0.00	88.40	87.60	700.0
Gemma 3 - 27B (IT)	67.50	0.00	0.00	89.00	42.40	0.00	0.00	0.00	270.0
Mixtral-8x22B-Instruct-v0.1	56.33	0.00	0.00	0.00	0.00	0.00	0.00	0.00	1410.0
Llama3-70B-Instruct	56.20	0.00	0.00	0.00	0.00	0.00	0.00	0.00	700.0
Phi-4-mini-instruct (3.8B)	52.80	67.30	88.60	64.00	36.00	0.00	74.40	65.30	38.0
Llama3-70B	52.78	0.00	0.00	0.00	0.00	0.00	0.00	0.00	700.0
Grok-1.5	51.00	81.30	0.00	50.60	35.90	0.00	74.10	0.00	未知
Llama3.1-8B-Instruct	44.00	68.10	82.40	47.60	26.30	0.00	66.50	69.40	80.0
Moonlight-16B-A3B-Instruct	42.40	70.00	77.40	45.30	0.00	65.20	48.10	63.80	160.0
Mistral-7B-Instruct-v0.3	30.90	64.20	36.20	10.20	24.70	56.10	29.30	51.10	70.0
Grok 3	0.00	0.00	0.00	0.00	75.00	0.00	0.00	0.00	未知
Claude Sonnet 3.7	0.00	0.00	0.00	0.00	68.00	0.00	0.00	0.00	未知
GPT-4.5	0.00	0.00	0.00	0.00	71.40	0.00	0.00	0.00	未知