WildBench
真实用户难任务 1k 条，多 judge 聚合
基本信息
30 秒看懂
真实用户难题 1000 条，多裁判聚合。卖点：任务真实性。
用于写作选型时怎么看
测什么：真实用户难任务 1k 条，多 judge 聚合
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
GPT-4/Claude 双 judge + Elo
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 0 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
暂无官方模型发布引用记录——多由社区或垂直领域使用。
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。