LiveBench · 语言与指令

Name: LiveBench · 语言与指令
Creator: LiveBench

LiveBench · Language + IF 两项均分，各占 50%。

在 MyHOT 中参与排名

证据预算3%

上游数据时间09/29 03:39

最近成功同步09/29 23:21

它测什么，怎么测

先分别计算 Language、IF 的分类成绩，再各占 50% 求平均，最后保留一位小数。两项均分与官网单独选择某一类的成绩不同。Language 衡量语言理解，IF 衡量指令与格式约束，不据此评价小说文笔。

保留综合榜写作与表达预算中的 3%；不进入文学创作的写作分类。

按固定规则，每个公开模型采用一套代表配置。匿名测试型号不展示，保留原榜名次，每项最多 30 个。

原榜名次	原榜型号	原始成绩	代表配置
1	gemini-3.8-flash-highGoogle	84.6%	High 推理
2	claude-fable-5-max-effortAnthropic	83.2%	Max 推理
3	gemini-3.7-flash-highGoogle	82.7%	High 推理
4	gpt-6-astra-maxOpenAI	82.5%	Max 推理
5	gemini-3.1-pro-preview-highGoogle	82.2%	High 推理
6	claude-fable-5-1-max-effortAnthropic	81.2%	Max 推理
7	muse-spark-1.3-xhighMeta	80.4%	xHigh 推理
8	gemini-3.5-flash-highGoogle	80.1%	High 推理
9	gpt-5.6-sol-maxOpenAI	79.8%	Max 推理
10	gemini-3.6-flash-highGoogle	79.6%	High 推理
11	gpt-5.5-xhighOpenAI	79.0%	xHigh 推理
12	kimi-k3Moonshot AI	78.4%	来源默认配置
13	grok-4.6xAI	77.8%	来源默认配置
14	grok-4.7-xhighxAI	77.7%	xHigh 推理
15	smaug-agenticAbacus.AI	77.7%	来源默认配置
16	grok-4.5xAI	77.2%	来源默认配置
18	gpt-6-sol-maxOpenAI	76.9%	Max 推理
19	qwen3.7-maxAlibaba	76.9%	来源默认配置
20	qwen3.8-maxAlibaba	76.9%	来源默认配置
21	muse-spark-1.2-xhighMeta	76.4%	xHigh 推理
22	gpt-5.4-xhighOpenAI	76.4%	xHigh 推理
24	claude-opus-5-max-effortAnthropic	76.2%	Max 推理
25	claude-opus-5-5-max-effortAnthropic	76.0%	Max 推理
26	qwen3.8-flash-nextAlibaba	75.9%	来源默认配置
27	claude-opus-4-8-max-effortAnthropic	75.8%	Max 推理
28	deepseek-v4-flash-vision-expDeepSeek	75.7%	来源默认配置
29	deepseek-v4.1-flash-maxDeepSeek	75.6%	来源默认配置
30	smaug-miniAbacus.AI	75.5%	来源默认配置
31	deepseek-v4-pro-0813DeepSeek	74.9%	来源默认配置
32	glm-5.3Z.ai	74.6%	来源默认配置

评测局限与数据署名

两项均分衡量组合表现，不能当成 Language 单项成绩。官方页面切换分类或是否包含微调模型时，分数与排序会随之变化。组织参与方 Abacus.AI 同时开发 Smaug 模型，其独家成绩需要其他独立来源补充。

数据许可：Apache 2.0

分项成绩由 LiveBench 发布，AIHOT 按上述两类等权汇总并排序。两项均分与 AIHOT 共识分使用不同尺度，不能直接相加。