MT-Bench
80 道多轮对话题，GPT-4 当裁判打分（1-10）
基本信息
30 秒看懂
80 道多轮对话题，让 GPT-4 当裁判打 1-10 分。LLM-as-Judge 的开山之作，如今更多是历史地位。
用于写作选型时怎么看
测什么：80 道多轮对话题，GPT-4 当裁判打分（1-10）
不测什么：不能证明中文长文业务任务的整体质量；需用自己的文体、长度和事实要求复核。
语言与文体：当前账本未完整披露语言和文体分布
指标与单位：见逐条记录，未披露项不能比较 / 以原始来源为准
可比性：当前没有完整、同快照的可比协议与可靠归一化边界，仅展示原始证据。
说明日期：2026-08-28；具体分数的协议、来源等级和核对日期以每条发布记录为准。
进入写作需求选型
评分协议
LLM-as-Judge 开山实现；已被 Arena Hard 等取代趋势
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
2024
2024-09-19
Alibaba / Qwen·国内
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 · MT-Bench 9.35
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。