Scale AI 出品的多轮对话基准：四类真实对话难点——指令保持、用户信息推理、对话自洽、拒绝不合理请求
发布时所有模型低于 50 分——多轮真实对话是显著短板；单轮强不代表多轮稳。
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。
共收录 5 场模型发布（收录 10 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
ByteDance Seed / 豆包·国内
字节 Seed 系列页将 Seed2.0 Lite 定位为 Seed 基础模型系列首个全模态（omni-modal）理解模型，原生支持视频、图像、音频与文本的统一理解，并升级 Agent、Coding 与 GUI 能力，兼顾输出质量与响应速度，适合通用生产级场景。已收录评测覆盖文本智能体与编码、多模态理解、GUI 操作及视频与音频理解等领域，GPQA Diamond 88.4%、OSWorld Verified 64.4%。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
Seed1.8 被发布文定位为通用化 Agentic 模型，覆盖 GUI/浏览器/移动操作、代理搜索、代理编码与经济价值领域任务，并提供三种思考模式。评测横跨代理、数学、STEM、知识、多模态与长视频等约 13 组：GAIA 87.4、BrowseComp-zh 81.3、AIME-25 94.3。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
GPT-5 是 OpenAI 的统一思考模型，发布文称其在 AIME 2025（无工具 94.6%）、SWE-bench Verified 74.9%、HealthBench Hard 46.2% 等刷新 SOTA，并大幅降低事实错误与谄媚率。评测覆盖竞赛数学、编码、指令跟随与代理、多模态与健康：GPQA Diamond 88.4%、MMMU 84.2%、BrowseComp 54.9%。
Moonshot AI / Kimi·国内
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。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 将 o3 定位为其最强推理模型，在编码、数学、科学与视觉感知等领域推进前沿，并支持以图思考（Thinking with images）。该发布已收录评测覆盖数学、编程竞赛、科学推理、软件工程与智能体工具使用等领域，AIME 2025 配 Python 工具 pass@1 98.4%、100% consensus@8。
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。
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。