LiveBench

每月换题的综合抗污染基准（数学/代码/推理/语言/数据网）

基本信息

30 秒看懂

每月换新题的综合榜，从源头断绝“背题”。分数每月重算，看趋势比看单期有意义。

评分协议

题目来自当月竞赛/新闻，时间戳防泄漏

模型发布采用时间轴

共收录 3 场模型发布（收录 4 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20

2025

2025-07-11 Moonshot AI / Kimi·国内

Kimi-K2-Instruct / Kimi-K2-Base

本发布含 2 个变体，各变体规格见模型详情。

Kimi K2 以「Open Agentic Intelligence」为定位发布，Kimi-K2-Instruct 为后训练的非思考（reflex-grade）MoE 模型（1T 总参/32B 激活）。已收录 32 项评测覆盖代码、数学、知识与 Agent 工具使用：亮点 SWE-bench Verified（Agentic Coding）65.8、MMLU 89.5。

开源权重1T MoE非思考 reflex 档Agentic

查看模型变体与证据

Kimi-K2-Instruct · 2024/11/25 snapshot 76.4

2025-04-29 Alibaba / Qwen·国内

Qwen3-235B-A22B / Qwen3-30B-A3B / Qwen3-32B / Qwen3-4B / Qwen3-14B / Qwen3-8B / Qwen3-1.7B / Qwen3-0.6B

本发布含 8 个变体，各变体规格见模型详情。

Qwen3 以「Think Deeper, Act Faster」发布，Qwen3-235B-A22B 为混合思考 MoE 旗舰。评测覆盖推理、编码与多语言，亮点如 ArenaHard 95.6%、AIME'24 85.7%。

开源权重混合思考推理多语言

查看模型变体与证据

Qwen3-235B-A22B · 2024-11-25 77.1Qwen3-30B-A3B · 2024-11-25 74.3

2024

2024-09-19 Alibaba / Qwen·国内

Qwen2.5-72B-Instruct / Qwen2.5-Coder-7B-Instruct / Qwen2.5-Math-72B-Instruct / Qwen2.5-Math-7B-Instruct / Qwen2.5-Math-1.5B-Instruct

本发布含 5 个变体，各变体规格见模型详情。

Qwen2.5 发布文以「A Party of Foundation Models」呈现全家族，72B-Instruct 为其中最大开源指令模型（稠密解码器，18T 预训练 tokens）。已收录 14 项评测覆盖知识、数学、代码与对齐：亮点 GSM8K 95.8、MMLU-Pro 71.1。

开源权重稠密架构指令微调旗舰

查看模型变体与证据

Qwen2.5-72B-Instruct · 0831 (2024-08-31 snapshot) 52.3

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

相关评测（同类别）

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。