岁月史书：主流llm
Published:
岁月史书：主流llm
DeepSeek
| 模型（按发布时间） | 知识/推理 MMLU | 知识/推理 MMLU-Pro | 知识/推理 GPQA-Diamond | 知识/推理 SimpleQA | 知识/推理 HLE | 对齐/偏好 IF-Eval | 对齐/偏好 AlpacaEval 2.0 | 对齐/偏好 ArenaHard | 对齐/偏好 AlignBench | 数学 AIME | 数学 MATH-500 | 数学 CNMO 2024 | 数学 HMMT | 数学 IMO-AnswerBench | 代码 HumanEval | 代码 LiveCodeBench | 代码 Codeforces | 代码 SWE-bench Verified | 代码 SWE-bench Multi | 代码 Aider | 代码 Terminal-Bench | Agent/搜索 BrowseComp | 中文 C-Eval | 中文 C-SimpleQA | 中文 CLUEWSC |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| DeepSeek-V2（2024-05-07） | 77.8 | — | — | — | — | — | 38.90 | 41.60 | 7.91 | — | — | — | — | — | — | — | — | — | — | — | — | — | 78.0 | — | 89.9 |
| DeepSeek-Coder-V2（2024-06-17） | 79.2 | — | — | — | — | — | 36.92 | 65.00 | 7.84 | — | — | — | — | — | 90.2（Py） | 43.4（23.12–24.06） | — | — | — | — | — | — | 79.4 | — | 85.9 |
| DeepSeek-V2.5（2024-09-05） | — | — | — | — | — | — | 50.5 | 76.2 | 8.04 | — | — | — | — | — | 89.0（Py）/ 73.8（Multi） | 41.0（2024.01–09） | — | 16.8 | — | 72.2 | — | — | — | — | — |
| DeepSeek-V3（2024-12-26） | 88.5 | 75.9 | 59.1 | 24.9 | — | 86.1 | 70.0 | 85.5 | — | 39.2（2024） | 90.2 | 43.2 | — | — | 82.6（Multi） | 37.6 | 51.6（Pct） | 42.0 | — | 79.7（Edit）/ 49.6（Poly） | — | — | 86.5 | 64.8 | 90.9 |
| DeepSeek-R1（2025-01-20） | 90.8 | 84.0 | 71.5 | 30.1 | — | 83.3 | 87.6 | 92.3 | — | 79.8（2024） | 97.3 | 78.8 | — | — | — | 65.9 | 2029（R）/ 96.3（Pct） | 49.2 | — | 53.3 | — | — | 91.8 | 63.7 | 92.8 |
| DeepSeek-R1-0528（2025-05-28） | — | 85.0 | 81.0 | — | 17.7（无工具） | — | — | — | — | 91.4（2024）/ 87.5（2025） | — | 86.9 | 79.4（2025） | — | — | 73.3 | 1930（R） | 57.6 | — | 71.6 | — | — | — | — | — |
| DeepSeek-V3.1（2025-08-21） | — | 84.8 | 80.1 | 93.4 | 29.8（带工具） | — | — | — | — | 93.1（2024）/ 88.4（2025） | — | — | 84.2（2025） | — | — | 74.8（2408-2505） | 2091（R） | 66.0（Verified） | 54.5 | 76.3 | 31.3（2.0） | 30.0 | — | — | — |
| DeepSeek-V3.2（思考模式，2025-12-01） | — | 85.0 | 82.4 | — | 25.1（无工具） | — | — | — | — | 93.1（2025） | — | — | 92.5 / 90.2（2025 Feb / Nov） | 78.3（2025） | — | 83.3 | 2386（R） | 73.1（Verified） | 70.2 | — | 46.4（2.0） | 51.4/67.6（无工具/带工具） | — | — | — |
| DeepSeek-V4-Pro-0813（正式版，2026-08-13） | — | — | — | — | 42.7 / 60.0（无工具/带工具） | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 87.9（2.1） | — | — | — | — |
| DeepSeek-V4-Flash-0731（正式版，2026-07-31） | — | — | — | — | 37.8 / 51.5（无工具/带工具） | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 82.7（2.1） | — | — | — | — |
GLM
| 模型（按发布时间） | 知识/推理 MMLU | 知识/推理 MMLU-Pro | 知识/推理 GPQA-Diamond | 知识/推理 HLE | 数学 AIME | 数学 HMMT | 数学 IMO-AnswerBench | 数学 MATH-500 | 数学 MATH | 数学 GSM8K | 代码 HumanEval | 代码 LiveCodeBench | 代码 SWE-bench Verified | 代码 SWE-bench Pro | 代码 SWE-bench Multilingual | 代码 Terminal-Bench | 代码 BrowseComp | Agent/工具 τ²-Bench | Agent/工具 TAU-Bench | Agent/工具 BFCL V3 | Agent/工具 SciCode | Agent/工具 MCP-Atlas | 对齐 AlignBench |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| GLM-4（2024-01-16） | 81.5 | — | 35.7 | — | — | — | — | — | 47.9 | 87.6 | 72.0 | — | — | — | — | — | — | — | — | — | — | — | 7.66 |
| GLM-4.5（2025-07-20） | 90.0 | 84.6 | 79.1 | 14.4（无工具） | 91.0（2024） | — | — | 98.2 | — | — | — | 72.9（v6） | 64.2（Verified） | — | — | 37.5 | 26.4（无工具） | — | 79.7 / 60.4 | 77.8 | 41.7 | — | — |
| GLM-4.5-Air（2025-07-20） | 87.4 | 81.4 | 75.0 | 10.6（无工具） | 89.4（2024） | — | — | 98.1 | — | — | — | 70.7（v6） | 57.6（Verified） | — | — | 30.0 | 21.3（无工具） | — | 77.9 / 60.8 | 76.4 | 37.3 | — | — |
| GLM-4.6（2025-09-29） | — | 83.2 | 81.0 | 17.2 / 30.4（无工具/带工具） | 93.9（2025） | 89.2 / 87.7（2025 Feb / Nov） | 73.5（2025） | — | — | — | — | 82.8（v6） | 68.0（Verified） | — | 53.8 | 24.5（2.0） | 45.1（无工具） | 75.2 | — | — | — | — | — |
| GLM-4.7（2025-12-22） | — | 84.3 | 85.7 | 24.8 / 42.8（无工具/带工具） | 95.7（2025） | 97.1 / 93.5（2025 Feb / Nov） | 82.0（2025） | — | — | — | — | 84.9（v6） | 73.8（Verified） | — | 66.7 | 41.0（2.0） | 52.0（无工具） | 87.4 | — | — | — | — | — |
| GLM-5（2026-02-11） | — | — | 86.0 | 30.5 / 50.4（无工具/带工具） | 92.7（2026） | 96.9（2025 Nov） | 82.5（2026） | — | — | — | — | — | 77.8（Verified） | — | 73.3 | 56.2（2.0） | 62.0（无工具） | 89.7 | — | — | — | 67.8 | — |
| GLM-5.1（2026-04-03） | — | — | 86.2 | 31.0 / 52.3（无工具/带工具） | 95.3（2026） | 94.0 / 82.6（2025 Nov / 2026 Feb） | 83.8（2026） | — | — | — | — | — | — | 58.4 | — | 63.5（2.0） | 68.0 / 79.3（无工具/带工具） | 70.6（τ³） | — | — | — | 71.8 | — |
| GLM-5.2（2026-06-16） | — | — | 91.2 | 40.5 / 54.7（无工具/带工具） | 99.2（2026） | 94.4 / 92.5（2025 Nov / 2026 Feb） | 91.0（2026） | — | — | — | — | — | — | 62.1 | — | 81.0（2.1） | — | — | — | — | — | 76.8 | — |
| GLM-5.3（2026-08-14） | — | — | — | — / 62.5（带工具） | — | — | — | — | — | — | — | — | — | — | — | 88.2（2.1） | — | — | — | — | — | — | — |
Kimi
| 模型（按发布时间） | 知识/推理 MMLU | 知识/推理 MMLU-Pro | 知识/推理 MMLU-Redux | 知识/推理 GPQA-Diamond | 知识/推理 HLE | 数学 AIME | 数学 HMMT | 数学 IMO-AnswerBench | 数学 MATH-500 | 数学 Codeforces | 代码 LiveCodeBench | 代码 SWE-bench Verified | 代码 SWE-bench Pro | 代码 SWE-bench Multilingual | 代码 Multi-SWE-bench | 代码 Terminal-Bench | 代码 BrowseComp | 代码 SciCode | Agent/工具 OJBench | Agent/工具 DeepSearchQA | Agent/工具 MCP-Atlas | Agent/工具 Toolathlon |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Kimi k1.5 long-CoT（2025-01-20） | — | — | — | — | — | 77.5（2024） | — | — | 96.2 | 94（Pct） | 62.5（v5，24.12–25.2） | — | — | — | — | — | — | — | — | — | — | — |
| Kimi K2（Instruct，2025-07-11） | 89.5 | 81.1 | 92.7 | 75.1 | 4.7（文本子集） | 69.6 / 49.5（2024 / 2025） | 38.8（2025） | — | 97.4 | — | 53.7（v6） | 65.8 | — | 47.3 | — | 30.0 / 25.0（自研 / Terminus） | — | — | — | — | — | — |
| Kimi K2 Thinking（2025-11-06） | — | 84.6 | 94.4 | 84.5 | 23.9 / 44.9（文本子集，无工具 / 带工具） | 94.5（2025） | 89.4（2025） | 78.6（2025） | — | — | 83.1（v6） | 71.3 | — | 61.1 | 41.9 | 47.1（Terminus-2 JSON） | 60.2（无工具） | 44.8（无工具） | 48.7（cpp） | — | — | — |
| Kimi K2.5（Thinking，2026-01-27） | — | 87.1 | — | 87.6 | 30.1 / 50.2（Full，无工具 / 带工具） | 96.1（2025） | 95.4（2025 Feb） | 81.8（2025） | — | — | 85.0（v6） | 76.8 | 50.7 | 73.0 | — | 50.8（2.0，Terminus-2） | 60.6（无工具） | 48.7（无工具） | 57.4（cpp） | — | — | — |
| Kimi K2.6（2026-04-20） | — | — | — | 90.5 | 34.7 / 54.0（Full，无工具 / 带工具） | 96.4（2026） | 92.7（2026 Feb） | 86.0（2026） | — | — | 89.6（v6） | 80.2 | 58.6 | 76.7 | — | 66.7（2.0，Terminus-2） | 83.2（无工具） | 52.2（无工具） | 60.6（python） | 92.5（无工具） | — | 50.0（无工具） |
| Kimi K3（2026-07-16） | — | — | — | 93.5 | 43.5 / 56.0（Full，无工具 / 带工具） | — | — | — | — | — | — | — | — | — | — | 88.3（2.1） | 91.2（无工具） | 58.7（无工具） | — | 95.0（无工具） | 84.2（无工具） | 76.5（Verified） |
Qwen
| 模型（按发布时间） | 知识/推理 MMLU | 知识/推理 MMLU-Pro | 知识/推理 MMLU-Redux | 知识/推理 GPQA-Diamond | 知识/推理 HLE | 数学 AIME | 数学 HMMT | 数学 IMO-AnswerBench | 数学 MATH-500 | 数学 MATH | 数学 GSM8K | 代码 LiveCodeBench | 代码 Codeforces | 代码 SWE-bench Verified | 代码 SWE-bench Pro | 代码 SWE-bench Multilingual | 代码 Terminal-Bench | Agent/搜索 BrowseComp | 对齐/通用 IFEval | 对齐/通用 Arena-Hard | 对齐/通用 C-Eval | 对齐/通用 LiveBench | 对齐/通用 AlignBench |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Qwen2-72B-Instruct（2024-06-07） | 82.3 | 64.4 | — | 42.4 | — | — | — | — | — | 69.0 | 93.2 | 35.7（v1） | — | — | — | — | — | — | 77.6 | 48.1 | 83.8 | — | 8.27 |
| Qwen2.5-72B-Instruct（2024-09-19） | — | 71.1 | 86.8 | 49.0 | — | — | — | — | — | 83.1 | 95.8 | 55.5（2305–2409） | — | — | — | — | — | — | 84.1 | 81.2 | — | 52.3 | — |
| Qwen2.5-Max（2025-01-28） | — | 76.1 | — | 60.1 | — | — | — | — | — | — | — | 38.7（24.08–24.11） | — | — | — | — | — | — | — | 89.4 | — | 62.2 | — |
| Qwen3-235B-A22B（思考模式，2025-04-29） | — | — | 92.7 | 71.1 | — | 85.7 / 81.5（2024 / 2025） | — | — | 98.0 | — | — | 70.7（v5） | 2056 / 98.2% | — | — | — | — | — | 83.4 | 95.6 | 89.6 | 77.1 | 8.94 |
| Qwen3.5-397B-A17B（2026-02-16） | — | 87.8 | 94.9 | 88.4 | 28.7（无工具） | 91.3（2026） | 94.8 / 92.7（2025 Feb / Nov） | 80.9（2025） | — | — | — | 83.6（v6） | — | 76.4（Verified） | — | 69.3（Multilingual） | 52.5（2.0） | 69.0 / 78.6（无工具/带工具） | 92.6 | — | 93.0 | — | — |
| Qwen3.6-35B-A3B（2026-04-16） | — | 85.2 | 93.3 | 86.0 | 21.4（无工具） | 92.7（2026） | 90.7 / 89.1 / 83.6（2025 Feb / 2025 Nov / 2026 Feb） | 78.9（2025） | — | — | — | 80.4（v6） | — | 73.4（Verified） | 49.5（Pro） | 67.2（Multilingual） | 51.5（2.0） | — | — | — | 90.0 | — | — |
| Qwen3.6-27B（2026-04-22） | — | 86.2 | 93.5 | 87.8 | 24.0（无工具） | 94.1（2026） | 93.8 / 90.7 / 84.3（2025 Feb / 2025 Nov / 2026 Feb） | 80.8（2025） | — | — | — | 83.9（v6） | — | 77.2（Verified） | 53.5（Pro） | 71.3（Multilingual） | 59.3（2.0） | — | — | — | 91.4 | — | — |
测评集分类与使用趋势小结
综合四家的官方测评，可以把主流 LLM 测评集归为五大类：知识/推理类、数学类、代码类、Agent/工具类 与 对齐/偏好类。知识/推理类包括 MMLU（57 学科的多选题）、MMLU-Pro（MMLU 的进阶推理版，目前各家仍普遍报告）、MMLU-Redux（MMLU 的数据修正版）、GPQA-Diamond（研究生级科学多选题，号称”谷歌搜不到答案”）、SuperGPQA（285 个学科的大规模科学题）、SimpleQA（OpenAI 的事实性短答，后被 SimpleQA-Verified 取代）、HLE（Humanity’s Last Exam，人类全学科前沿难题，2025 年后的旗舰标配）以及中文的 C-Eval、C-SimpleQA、CLUEWSC。数学类包括 AIME（美国数学邀请赛，2024/2025/2026 各届仍在轮换使用）、MATH 与 MATH-500（MATH 的 500 题子集，已取代完整 MATH）、GSM8K（小学数学应用题）、HMMT（哈佛-麻省理工数学锦标赛）、IMO-AnswerBench（国际数学奥林匹克）和 CNMO（中国数学奥林匹克）。代码类包括 HumanEval（函数级代码生成，已基本弃用）、MBPP/MultiPL-E/EvalPlus（同类早期基准）、LiveCodeBench（防污染的动态代码题，版本从 v1 迭代到 v6，2025 年起各家统一报 v6）、Codeforces（竞赛编程，报 Rating 或 Percentile）、SWE-bench Verified/Multilingual/Pro（真实 GitHub issue 的工程修复，Verified→Pro 逐步升级）、Terminal-Bench（终端命令行操作，1.x→2.0→2.1）、Aider（代码编辑）、SciCode、OJBench 等。Agent/工具类是 2025 年才兴起的新类别，包括 BrowseComp（复杂网页搜索）、τ²/τ³-Bench 与 TAU-Bench（多轮工具调用客服场景）、BFCL v3/v4（伯克利函数调用）、MCP-Atlas/MCPMark（MCP 协议工具调用）、Toolathlon 与 Tool-Decathlon（通用工具使用）、DeepSearchQA 与 WideSearch（深度搜索），以及 NL2Repo、Cybergym、DeepSWE、FrontierSWE、SWE-Marathon 等 2026 年最新出现的长时程编码 Agent 基准。对齐/偏好类则包括 IFEval/IFBench（指令遵循）、Arena-Hard 与 AlpacaEval 2.0（LLM 裁判的偏好胜率）、MT-Bench（多轮对话评判）和中文的 AlignBench。
从时间线看趋势非常清晰：2024 年早期各家还在报 MMLU、GSM8K、MATH、HumanEval、BBH、C-Eval 等”基础款”，但这些基准因分数饱和与数据污染，在 2024 年底之后已基本退出新模型的官方报告——MMLU 让位于 MMLU-Pro/MMLU-Redux，GSM8K/MATH 让位于 AIME/MATH-500/HMMT/IMO-AnswerBench，HumanEval 让位于 LiveCodeBench/SWE-bench，MT-Bench 也让位于 Arena-Hard/AlpacaEval，BFCL 从 v3 升级到 v4。当前（2025 下半年至 2026）各家旗舰一致在用的是：知识/推理类的 MMLU-Pro、GPQA-Diamond、HLE；数学类的 AIME（取最新一届）、HMMT、IMO-AnswerBench、MATH-500；代码类的 LiveCodeBench v6、SWE-bench Verified/Pro/Multilingual、Terminal-Bench；以及 2026 年新增的 Agent 类基准（BrowseComp、τ²/τ³-Bench、MCP-Atlas、Toolathlon、DeepSearchQA、Cybergym、NL2Repo 等）——从 DeepSeek-V4 正式版、GLM-5.2、Kimi K3 的官方报告可以看出，Agent/工具类测评的权重已超过传统学术基准，成为衡量前沿模型的主要标尺。那些”已不用”的基准并非完全消失，而是退化为 base 模型评测或内部消融测试使用（如 MMLU、C-Eval 仍出现在各家 base 模型报告中），不再作为旗舰模型的对外卖点。
Claude
| 模型（按发布时间） | 知识/推理 MMLU | 知识/推理 GPQA-Diamond | 知识/推理 MMMLU | 知识/推理 HLE | 知识/推理 ARC-AGI-2 | 数学 MATH | 数学 GSM8K | 数学 AIME | 代码 HumanEval | 代码 SWE-bench Verified | 代码 SWE-bench Pro | 代码 Terminal-Bench | 代码 DeepSWE | 代码 FrontierCode | Agent/工具 BrowseComp | Agent/工具 MCP-Atlas | Agent/工具 OSWorld | Agent/工具 τ²-Bench | Agent/工具 GDPval-AA | Agent/工具 AutomationBench |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Claude 2（2023-07-11） | 78.5 | — | — | — | — | — | 88.0 | — | 71.2（Codex） | — | — | — | — | — | — | — | — | — | — | — |
| Claude 3 Opus（2024-03-04） | 86.8 | 50.4 | — | — | — | 61 | 95.0 | — | 84.9 | — | — | — | — | — | — | — | — | — | — | — |
| Claude 4 Opus（2025-05-22） | — | 74.9 | 87.4 | — | — | — | — | 33.9（2025） | — | 72.5 | — | 43.2（2.0） | — | — | — | — | — | — | — | — |
| Claude Opus 4.5（2025-11-24） | — | 87.0 | 90.8 | 30.8/43.4（无工具/带工具） | 37.6 | — | — | 92.8（2025） | — | 80.9 | — | 59.3（2.0） | — | — | — | 62.3 | 66.3 | 88.9 | 1416 | — |
| Claude Opus 4.6（2026-02-05） | — | 91.3 | 91.1 | 40.0/53.0（无工具/带工具） | 68.8 | — | — | 99.8（2025） | — | 80.8 | 53.4 | 65.4（2.0） | — | — | 83.7（带工具） | 59.5 | 72.7 | 91.9 | 1606 | — |
| Claude Opus 4.7（2026-04-16） | — | 94.2 | 91.5 | 46.9 / 54.7（无工具/带工具） | 75.8 | — | — | — | — | 87.6 | 64.3 | 69.4（2.0） | — | — | 79.3（带工具） | 77.3 | 78.0 | — | 1753 | 9.9 |
| Claude Opus 4.8（2026-05-28） | — | 93.6 | — | 49.8 / 57.9（无工具/带工具） | 72.1 | — | — | — | — | 88.6 | 69.2 | 74.6（2.1） | — | 46.5 | 84.3（带工具） | 82.2 | 83.4 | — | 1890 | 15.5 |
| Claude Fable 5（2026-06） | — | — | — | — | — | — | — | — | — | 95 | 80 | 84.3（2.1） | — | 29.3 | — | — | 85.0 | — | 1932 | 17.4 |
| Claude Opus 5（2026-07-24） | — | — | — | 56.3 / 64.7（无工具/带工具） | 90.4 | — | — | — | — | 96.0 | 79.2 | — | 68.8 | 53.4 | 90.8（带工具） | 85.8 | 70.6（2.0） | — | 1861 | 26.0 |
GPT
| 模型（按发布时间） | 知识/推理 MMLU | 知识/推理 MMLU-Pro | 知识/推理 GPQA-Diamond | 知识/推理 HLE | 数学 MATH-500 | 数学 AIME | 数学 HMMT | 代码 HumanEval | 代码 LiveCodeBench | 代码 Codeforces | 代码 SWE-bench Verified | 代码 Terminal-Bench | Agent/工具 BrowseComp | Agent/工具 τ²-Bench |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| GPT-4（2023-03-14） | 86.4 | — | 35.7 | — | — | — | — | 67.0 | — | — | — | — | — | — |
| GPT-4 Turbo（2023-11-06） | 84.7 | — | 42.5 | — | 64.3 | — | — | 83.7 | — | — | — | — | — | — |
| GPT-4o（2024-05-13） | 87.2 | — | 49.9 | — | 74.6 | 9.3（2024） | — | 91.0 | 32.9（v1） | 759（R） | — | — | — | — |
| o1（2024-12-05） | 91.8 | — | 75.7 | — | 96.4 | 74.3/79.2（2024/2025） | — | — | — | 1891（R） | 48.9 | — | — | — |
| o3（2025-04-16） | 92.9 | 85.3 | 83.3 | 20.3（无工具） | 97.8 | 91.6/88.9（2024/2025） | — | 87.4 | 78.4（v5） | 2706（R） | 69.1 | 30.2（2.0） | 49.7（带工具） | — |
| GPT-5（2025-08-07） | — | 87.1 | 85.7 | 24.8（无工具） | — | 94.6（2025） | 88.3 / 89.2（2025 Feb / Nov） | — | 84.5（v6） | 2537（R） | 74.9 | 43.8（2.0） | 54.9（带工具） | 81.1 |
测评集分类与使用趋势小结
Claude 与 OpenAI 两家闭源厂商的官方测评口径，同样可以归入知识/推理、数学、代码、Agent/工具四类，但与开源派（DeepSeek/GLM/Kimi/Qwen）相比各有鲜明特点。Claude 侧：2024 年（Claude 3/3.5/3.7）仍以传统学术基准为主——MMLU、GPQA-Diamond、MATH、GSM8K、HumanEval、BBH、DROP、ARC-Challenge、MGSM，其中 MMLU（87-90）、GPQA（50-59）、MATH（61-71）、HumanEval（85-92）是当时对外的主打数字；2025 年 Claude 4 系列开始加入 SWE-bench Verified、Terminal-Bench、AIME、MMMLU，并首次把多语言 MMMLU 作为常规项；2025 下半年起（Sonnet/Opus 4.5 之后）Claude 的测评口径明显转向Agent 与专业任务——SWE-bench Verified/Pro/Multilingual/Multimodal、Terminal-Bench、BrowseComp、HLE（无工具/带工具双分数）、MCP-Atlas、OSWorld、τ²-Bench、ARC-AGI-2，以及大量自建或垂类基准：FrontierCode、FrontierBench、CursorBench、DeepSWE、FrontierSWE、OfficeQA、HealthBench（Professional）、Finance Agent、GDPval-AA、AutomationBench、AA-Briefcase、Legal Agent Benchmark、ChartQAPro、GraphWalks（长上下文）等；2026 年 Opus/Sonnet 5 进一步以 Frontier-Bench、ARC-AGI-3、SWE-Marathon、CursorBench 3.2 作为旗舰卖点。OpenAI 侧：GPT-4/GPT-4 Turbo 时代用 MMLU、GSM8K、MATH、BBH、HumanEval；GPT-4o 过渡到 MMLU、GPQA、AIME、MATH-500、LiveCodeBench、Codeforces；o 系列（o1/o1-mini/o3-mini/o3/o4-mini）是纯推理模型，官方主打竞赛类推理基准——AIME、Codeforces、GPQA-Diamond、MATH-500、LiveCodeBench 以及 OpenAI 自有的 MathArena、FrontierMath 等（未公开全部细节）；GPT-5 则全面拥抱 HLE、AIME 2025/HMMT/IMO-AnswerBench、SWE-bench Verified、Terminal-Bench、BrowseComp、τ²-Bench 这一套 2026 年的”标准盘”。从趋势看，两家与开源派高度同步：MMLU、GSM8K、MATH、HumanEval、BBH 这类早期基准在 2024 年底后已从两家旗舰模型的官方报告中消失（GPT-4o 是最后一批还在报 MMLU/HumanEval 的，Claude 3.5 Sonnet 之后也不再报）；当前（2026）两家共同在用的是 GPQA-Diamond、HLE、AIME（取最新一届）、HMMT、SWE-bench Verified/Pro、Terminal-Bench、BrowseComp、τ²-Bench 这一核心盘；差异在于 Claude 更激进地扩展 Agent/工具与专业领域测评（MCP-Atlas、OSWorld、GDPval-AA、ARC-AGI-2/3、FrontierCode、DeepSWE、HealthBench、OfficeQA 等已占其 System Card 能力章节的大部分篇幅），而 OpenAI 相对保守，主要报推理竞赛与代码工程基准，且因闭源口径，MMMLU、MCP-Atlas、OSWorld 等不在其官方发布之列。总体而言，2026 年的前沿模型竞争已从”谁 MMLU 高”彻底转向”谁在 HLE/SWE-bench Pro/BrowseComp/Terminal-Bench 这类长时程、工具密集的 Agent 任务上更强”，Claude 与 OpenAI 的官方 System Card 正是这一转变的缩影。
中外厂商测评差异说明
综合上面的表格与小结，Claude、OpenAI 与 DeepSeek/GLM/Kimi/Qwen 这四家国产厂商在测评上有四点结构性区别：
其一，测评集的”公共池”与”自建池”差异。国产开源派之间测评高度同质、互相引用，形成一个公共测评池——MMLU-Pro、GPQA-Diamond、AIME、MATH-500、HMMT、IMO-AnswerBench、LiveCodeBench、SWE-bench Verified/Multilingual、Terminal-Bench、BrowseComp、HLE 几乎每家都报，且各家技术报告里互相列对方成绩（DeepSeek 表引 Qwen/GLM/Kimi/Claude/GPT，GLM 表引 DeepSeek/Kimi/GPT/Claude，Qwen 表引 GLM/Kimi/Claude/GPT），好处是分数可直接横比、社区可复现。而 Claude 与 OpenAI 是闭源派，官方发布大量使用自建或垂类基准——Claude 的 FrontierCode、FrontierBench、CursorBench、OfficeQA、HealthBench、Finance Agent、GDPval-AA、AA-Briefcase、Legal Agent Benchmark、ChartQAPro、GraphWalks，OpenAI 的 MathArena、FrontierMath、OPQA、OpenAI PRs、SWE-Lancer、IC SWE 等，这些基准外部无法复现，且两家系统卡里对比的主要是自家历史模型，相对少与国产开源模型直接对表。
其二，透明度与可验证性差异。国产厂商全部开源权重并公开技术报告，测评数字往往附带评测代码（如 Kimi 的 K2 eval、Qwen 的 eval 脚本），分数可以被社区复跑验证；Claude/OpenAI 则只发布以安全为主的 System Card PDF 和挑选过的发布博客数字，许多能力成绩仅出现在图表中或第三方转载里（本文 OpenAI 篇的数据即因此只能依赖官方 System Card 与其他厂商明确标注”引用 OpenAI 官方”的转载），且同一测评集的两家口径（thinking effort、scaffold、采样次数、版本区间）各不相同，跨厂商横向比较天然带有不确定性——这也是本文在每个表头都标注口径差异的原因。
其三，测评重心不同。国产厂商更卷数学/推理竞赛（AIME、HMMT、IMO-AnswerBench、MATH-500、Codeforces、CNMO/全国高中数学联赛）和中文能力（C-Eval、C-SimpleQA、CLUEWSC、AlignBench 等，且表里保留了大量中文行），这既源于国内评测文化，也源于需要向社区证明推理实力；Claude/OpenAI 则更卷长时程、工具密集的 Agent 任务（SWE-bench Pro/Multimodal、Terminal-Bench、MCP-Atlas、OSWorld、BrowseComp、DeepSWE、FrontierCode、AutomationBench、GDPval-AA）和前沿难题（HLE、ARC-AGI-2/3、FrontierMath），2026 年两家 System Card 的能力章节已被 Agent 测评占据大半，传统学术基准退居末位。
其四，安全/对齐测评的公开程度不同。Claude 与 OpenAI 的 System Card 投入了大量篇幅报告安全测评（有害请求拒绝率、prompt injection 鲁棒性、生物/化学风险、网络攻防、模型福利等），这是闭源前沿厂商的责任性义务；国产开源派的安全测评公开很少（DeepSeek 仅在 V2.5 发布时报告过内部安全得分，其余各家官方报告基本以纯能力测评为主），安全数据更多出现在各自的开源评测工具或社区第三方报告中。总体而言，国产派的测评是”开源竞技场”逻辑——用统一的公共试卷证明自己，Claude/OpenAI 则是”闭源自我证明”逻辑——用自建高难度试卷和 Agent 实测来定义前沿，两者分数不能简单横向类比，只看各自官方向导即可。