CFBench
约束遵循大基准（PKU-Baichuan）：1,000 样本、200+ 真实场景、50+ NLP 任务、10 大约束类别
基本信息
30 秒看懂
多约束自然语言指令的遵循度（ACL 2025），分数越高越好；注意 Hunyuan T1 模型卡把 cfbench 行与工具调用榜（cello、T-Eval）并排读 81——与公开 CFBench 的「约束遵循」定义存在口径疑点，跨发布引用时以各页脚注为准。
采用格局：PKU-Baichuan ML System Lab 出品（ACL 2025）；Hunyuan T1 模型卡表登记行
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
2025-03-21
Tencent / 腾讯混元·国内
模态文本
腾讯混元-T1 正式版定位为业内首个超大规模混合 Mamba 推理模型（TurboS 混合 Transformer-Mamba MoE 底座，96.7% 后训练算力用于强化学习）。已收录 14 项评测覆盖知识、数学、代码与中文能力：亮点 MMLU-Pro 87.2、AIME24 78.2。
混合 Mamba 架构强化学习驱动推理模型开源权重
查看模型变体与证据
CFBench 81
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。