CC-Bench
智谱真人对照的终端智能体编码评测
基本信息
30 秒看懂
智谱自建的真人结对终端编码评测：人类评估者在隔离 Docker 中与模型多轮结对完成任务（前端/工具/数据分析/测试/算法），指标是与参照模型的胜率、50% 即平手；GLM-4.6 对 Sonnet 4 胜率 48.6%，全部轨迹开源可查。
采用格局：厂商自建/轨迹公开——Zhipu 自研，人工评估者在隔离 Docker 中与模型结对；轨迹数据开源于 HF zai-org
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-09-30
Z.ai / 智谱 GLM·国内
上下文200K模态文本
智谱将 GLM-4.6 定位为具备高级 Agentic、推理与编程能力的模型，上下文由 128K 扩展至 200K，推理中可交织工具调用。评测以编码与智能体为主，亮点如 CC-Bench 对 Claude Sonnet 4 胜率 48.6%、AIME 25 93.9%。
开源权重编码智能体推理
查看模型变体与证据
extended from GLM-4.5 with more challenging tasks 48.6%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。