LLM评测基准排行榜：哪家模型跑分最高

🔧 AI工具 💬 🔥 Trending 发布者: leakey
LLM评测基准排行榜：哪家模型跑分最高

🩺 摘要

每个模型发布都说自己跑分第一。但跑分项目太多了——MMLU、HumanEval、GSM8K……

📝 详情

主流评测基准

基准 测试内容 题量 代表能力
MMLU-Pro 57个学科知识（增强版） 12K 知识广度
HumanEval Python代码生成 164 编程能力
GSM8K 小学数学题 8.5K 数学推理
C-Eval 中文考试题 9K 中文能力
Arena Elo 真人盲测对战 百万投票 综合体验

2026年7月排行榜

排名 模型 MMLU-Pro HumanEval GSM8K Arena Elo
1 GPT-4o 88.3 92.1 95.5 1523
2 Claude 4 Sonnet 87.6 90.4 94.2 1498
3 DeepSeek R1 85.8 88.7 96.1 1476
4 Qwen3-72B 84.2 87.3 93.8 1462
5 Gemini 2.5 Pro 86.1 89.5 94.7 1485

如何自己跑评测

pip install lm_eval

# 评测本地模型
lm_eval --model hf \
  --model_args pretrained=Qwen/Qwen2.5-7B \
  --tasks mmlu_pro,gsm8k,hellaswag \
  --device cuda:0 \
  --batch_size auto \
  --output_path ./results

# 解析结果
lm_eval --model openai-completions \
  --model_args model=gpt-4o \
  --tasks mmlu_pro,gsm8k \
  --output_path ./results

import json
with open("./results/results.json") as f:
    results = json.load(f)
for task, scores in results["results"].items():
    acc = scores["acc"] * 100
    print(f"{task}: {acc:.1f}%")

关键提醒

跑分高不代表适合你的场景。 推理类任务看GSM8K/MATH，编程看HumanEval/SWE-Bench，中文看C-Eval。选模型看具体需求——DeepSeek R1数学最强但编码不如GPT-4o，Qwen3-72B中文极好但英文稍逊。