GPT 4.1、GPT 4.5、DeepSeek、Gemini 和 Anthropic 模型 Benchmark 总结
GPT 4.1 (2025.4.14)
OpenAI 使用了 34 个 benchmark，涵盖编码、指令跟随、长上下文、多模态视觉、函数调用、学术知识等多个维度。
一、Instruction Following（指令跟随）相关 benchmark（共7个）
| Benchmark | 作用 |
|---|---|
| Internal API instruction following (hard) | 测试模型在复杂、分步骤指令下的表现 |
| MultiChallenge | 多轮对话中正确提取历史信息 |
| MultiChallenge (o3-mini grader) | 更严谨的版本，用更强的评估器判断模型表现 |
| COLLIE | 包含分类、排序、多步执行等多种跟随场景 |
| IFEval | 检验模型是否遵守格式/长度/内容限制等指令 |
| Multi-IF | 类似 IFEval，但更复杂 |
| OpenAI Instruction Categories | 非正式测试，分类说明模型在哪些类型指令上更强（格式、否定、排序等） |
二、Coding（编程）相关 benchmark（共5个）
| Benchmark | 作用 |
|---|---|
| SWE-bench Verified | 真实代码库补丁生成能力（给代码库 + issue，产出能通过测试的补丁） |
| SWE-Lancer | 基于 freelancer 任务的模型“收入”评估，越强模型接更多活 |
| SWE-Lancer (IC-Diamond) | 上述子集，任务更稀有但高价值 |
| Aider polyglot (whole) | 多语言代码编辑完整文件能力 |
| Aider polyglot (diff) | 多语言代码编辑，仅生成改动部分能力 |
三、Academic Knowledge（学术常识）相关 benchmark（共4个）
| Benchmark | 作用 |
|---|---|
| AIME '24 | 美国数学竞赛题目 |
| GPQA Diamond | 专业级常识问答 |
| MMLU | 多学科专业知识测试 |
| Multilingual MMLU | 多语言 MMLU 测试 |
四、Long Context（长上下文理解）相关 benchmark（共7个）
| Benchmark | 作用 |
|---|---|
| Needle-in-a-haystack | 找出上下文中的“针”，测试大窗口信息检索能力 |
| OpenAI-MRCR | 多轮消歧任务，在长上下文中区分多个请求并提取对应输出 |
| Graphwalks BFS <128k / >128k | 长上下文中的图搜索任务，测试推理和跳跃能力 |
| Graphwalks Parents <128k / >128k | 类似任务，换成父节点推理 |
| Internal OpenAI eval（图未命名） | 展示 needle accuracy 随上下文长度变化 |
五、Vision（图像理解）相关 benchmark（共4个）
| Benchmark | 作用 |
|---|---|
| MMMU | 图表、地图、图像混合问答 |
| MathVista | 数学图形理解 |
| CharXiv-Reasoning | 科研图表内容理解 |
| CharXiv-Details | 更精细的科研图表信息提取 |
六、Function Calling（函数调用）相关 benchmark（共3个）
| Benchmark | 作用 |
|---|---|
| ComplexFuncBench | 复杂函数结构调用能力 |
| TauBench Airline | 多轮函数调用（航空业务） |
| TauBench Retail | 多轮函数调用（零售业务） |
合计
| 类型 | 个数 |
|---|---|
| 指令跟随 | 7 |
| 编程能力 | 5 |
| 学术知识 | 4 |
| 长上下文 | 7 |
| 视觉理解 | 4 |
| 函数调用 | 3 |
| 总计 | 30（文章中内容提及为 34，部分可能为子集/分组重复统计） |
GPT 4.5 (2025.2.27)
官方介绍中提到了 8 个 benchmark。
通用知识与推理类
| Benchmark | 用途 | 衡量指标 |
|---|---|---|
| SimpleQA | 测试模型对简单但具有挑战性的事实性问题的回答能力。 | 准确率和幻觉率 |
| GPQA (Graduate-Level Physics Questions Answering) | 评估模型解决高级物理问题的能力。 | 科学推理和事实准确性 |
| AIME ‘24 | 测试模型在高中奥数级别数学题上的解题能力。 | 数学推理 |
| MMMLU | 评估模型在多领域、多语言下的理解能力。 | 覆盖上百个学科 |
多模态与跨语言类
| Benchmark | 用途 | 特点 |
|---|---|---|
| MMMU | 测试模型对图文混合输入的理解与回答能力 | 强调视觉+语言联合推理 |
编程与软件开发类
| Benchmark | 用途 | 特点 |
|---|---|---|
| SWE-Bench Verified | 衡量模型在修复真实代码问题（bug fix）方面的准确率。 | 需要代码阅读、理解和修改能力 |
| SWE-Lancer Diamond | 评估模型在解决真实世界代码任务中的实际表现。 | 得分以“$金额”表示 |
创意与人类评估类（间接指标）
| Benchmark | 用途 | 说明 |
|---|---|---|
| Human preference scores | 衡量模型在日常问题、专业问题和创意写作中的表现是否被人类偏好 | 不属于标准学术 benchmark |
DeepSeek Prover R2 (2025.4.30)
| Benchmark 名称 | 作用（评估内容） |
|---|---|
| MiniF2F | 主流评测集之一，测试 Lean 3 中模型的定理证明能力 |
| ProofNet | 测试模型在 Lean 4 中处理自然语言定理和形式化语言间转换的能力 |
| MathProofBench | 基于 GPT-4 构建的大规模形式化数学 benchmark，用于评估多步骤推理 |
| LeanDojo | 用于构建 Lean 形式化环境，支持与 Lean 交互，可用于数据生成与强化学习等任务 |
| Baldur | 面向欧几里得几何定理的基准集，专注几何推理 |
| MetaMath | 包含海量形式化证明（元数学框架），常用于数学证明训练 |
| HolStep | 提供 HOL Light 定理与证明对，评估定理选择和步骤推荐能力 |
| TPTP | 自动定理证明社区常用的 benchmark，侧重一阶逻辑问题 |
| PISA benchmark | 关注于交互式定理证明（ITP）的基准 |
| Lean-Gym | 形式化交互环境，用于模拟 Lean 用户操作场景，用于训练强化学习模型 |
附：ChatGPT 的总结 - LLM 主流 Benchmark 分类
1. 基础能力类
| Benchmark | 用途 | 示例任务 |
|---|---|---|
| MMLU | 多任务理解 | 中学到大学的知识问答，覆盖57个科目 |
| HELLSWAG | 常识推理 | 句子补全，测试语境下的常识判断 |
| ARC | 小学科学题 | 测试多步逻辑推理能力 |
2. 推理与数学类
| Benchmark | 用途 | 示例任务 |
|---|---|---|
| GSM8K | 小学数学题 | 步骤式加减乘除推理 |
| MATH | 高中奥数题 | 高难度数学推理 |
| DROP | 复杂阅读理解+数值运算 | 从段落中提取并运算信息 |
3. 多轮对话与指令跟随
| Benchmark | 用途 | 示例任务 |
|---|---|---|
| AlpacaEval / MT-Bench | 指令跟随能力评估 | 让模型完成用户指令并评分 |
| Vicuna Eval | 对话质量评估 | 模拟人类对话打分 |
| Chatbot Arena | 实时互评排名 | 网民对两模型的盲评投票 |
4. 多语言/跨文化
| Benchmark | 用途 | 示例任务 |
|---|---|---|
| XWinograd | 跨语言共指消解 | 在多语言中理解代词所指对象 |
| XCOPA | 多语言因果推理 | 判断事件之间的因果关系 |
5. 类人行为评估
| Benchmark | 用途 | 示例任务 |
|---|---|---|
| TuringBench | 类人表现评估 | 情感识别、信任判断、道德选择等 |
| BIG-Bench | 多种创造性任务集合 | 推理、类比、创造性写作等，覆盖200+任务 |
附 2：类人行为评测榜单（ChatGPT 的回答）
| Benchmark | 类人维度 | 是否结构化评分 | 备注 |
|---|---|---|---|
| MT-Bench | 多轮对话、个性表达 | ✅ | LLM 社交互动能力 |
| HELMe Bench | 道德、人格、社会行为 | ✅ | 类人格建模 |
| BBH（Big Bench Hard） | 直觉、常识推理、心理 | ✅ | 来自 BIG-Bench 子集 |
| MoralBench | 道德判断、伦理推理 | ✅ | 跨文化伦理比较 |
| TOMI | 心理理论（ToM） | ✅ | 拟人认知能力 |
| HumanEval（部分任务） | 合作性、指令遵循性 | ⚠️ | 间接涉及类人行为 |
| RoleplayBench（如CharacterBench） | 行为一致性、角色认知 | ⚠️部分人工评分 | RPG 任务中角色建模能力 |