LingoQA
Wayve 的自动驾驶 VQA 基准：28K 段伦敦驾驶短视频 + 41.9 万条标注，Lingo-Judge 裁判与人类评审相关系数 0.95
基本信息
30 秒看懂
考『用语言解释驾驶场景』：GPT-4V 时代仅 59.6% 而人类 96.6%，差距说明感知易、解释难。旗舰已到 77-85 分段（Qwen3.8-Max 84.8），裁判模型的准确性是解读分数的前提。
采用格局：Qwen3.8-Max 表 2 出现（84.8 vs Fable5 77.4 / Qwen3.7-Plus 83.4）
评分协议
Lingo-Judge（真值分类器，0.95 Spearman）判定回答真实性
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
2026
2026-08-03
Alibaba / Qwen·国内
参数2.4T（激活 95B）模态文本·图像·视频
通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。
开源权重（预告）多模态智能体长周期任务编程与办公
查看模型变体与证据
LingoQA 84.8
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。