LLM 榜单总览

本页列出所有已收录榜单：官方链接 + 简洁介绍 + 当前榜首。榜单是快照，会过时；分数以各官方站实时为准。评测维度说明见 benchmarks。

编码 / 软件工程

SWE-bench Verified — 官方榜：https://www.swebench.com/ ｜ wiki 快照：swe-bench-verified coding agent 事实标准榜，180 条提交。Claude 4.5 Opus 79.2% 榜首；官方默认视图是 Bash-Only（统一 mini-SWE-agent），同分下成本差 10x
Multi-SWE-bench — 官方榜：https://multi-swe-bench.github.io/ ｜ wiki 快照：multi-swe-bench 多语言 issue 修复榜（7 语言 1,632 题，按语言切榜）。论文时代非 Python 语言仅 5–23%，2026 社区提交把 C 推到 54.3%、Java 47.9%、C++ 47.3%；分母漂移，引用须写 resolved/total
Vibe Code Bench — 官方榜：https://www.vals.ai/benchmarks/vibe-code ｜ wiki 快照：vibe-code-bench 从零建应用榜，79 个模型配置。Claude Fable 5 90.35% 榜首，半年内榜首从 41.31% 翻倍；Kimi K3 是首个进第一梯队的开源权重
DeepSWE — 官方榜：https://deepswe.datacurve.ai/ ｜ wiki 快照：deepswe 长时域原创 SWE 榜，23 模型统一 mini-swe-agent。Claude Opus 5 74% 榜首；网站提供成本×分数散点图，DeepSeek V4 Pro $0.06/ 任务与榜首$ 11.84 差 360x
DSBench-FullStack — 无公开榜（DeepSeek 发布材料口径）｜ wiki 快照：dsbench-fullstack DeepSeek 内部全栈测试集分数表：Opus 4.8 71.6 > V4-Flash 68.7；V4-Pro 正式版 71.1。仅当方向信号读

Terminal-Bench — 官方榜：https://www.tbench.ai/leaderboard/terminal-bench/2.1 ｜ wiki 快照：terminal-bench 终端任务榜，20 条提交。Claude Fable 5 + Claude Code 83.8% 榜首；独有 reward hacks 列（Grok 4.5 高达 -9%），纯看 accuracy 会误判
Toolathlon — 官方榜：https://toolathlon.xyz/ ｜ wiki 快照：toolathlon 跨应用工具使用榜。Kimi K3 76.5% 登顶（开源权重第一），8 个月前论文时点 SOTA 仅 38.6%；Pass^3 一致性仅 68.5%
DuMateBench — 官方榜：https://dumatebench.com/leaderboard ｜ wiki 快照：dumatebench 真实办公交付榜（200 题 / 5 harness × 4 模型 / F = 0.3P + 0.7J）。默认视图是 base model = GPT-5.5，不是全模型平均；Opus-4.8 换 harness 分差可达 27 分。当前榜首 DuMate 81.5%，OpenCode 69.1%

Humanity’s Last Exam — 官方站 lastexam.org 目前不可达，第三方追踪：https://benchlm.ai/benchmarks/hle ｜ wiki 快照：humanitys-last-exam 三口径并存：带工具 agent Claude Opus 5 64.7% / 闭卷 AA 方法 Gemini 3.1 Pro 44.7% / 历史 SOTA 线。口径差 20+ 分，引用必须带协议
Apex Shortlist — 原始出处：https://matharena.ai/apex/ ｜ wiki 快照：apex-shortlist 极限数学榜。MathArena 原始口径发布时最强仅 5.2%；DeepSeek V4 报告口径 Gemini 3.1 Pro 主集 60.9%、V4-Pro-Max Shortlist 90.2% 第一。Shortlist 定义未公开

Codeforces rating — 无统一官方榜（厂商各自报告）｜ wiki 快照：codeforces 进展时间线：AlphaCode 2 ≈人类前 15%（2023-12）→ Gemini 3 Pro 3455 人类 Top 10（2025-11）→ DeepSeek V4 / GPT-5.4 3206 现役第 23（2026-04）。各报告方协议不一，跨厂商数字先问口径

SuperCLUE — 官方榜：https://www.superclueai.com/homepage ｜ wiki 快照：superclue 中文综合月度榜（0-100 加权）。2026-07 期 Qwen3.8-Max 71.48 登顶、Kimi K3 70.68 第二；月榜波动大（题库每两月全换），与英文基准分数不可比