基准
场景榜单共用的方法论。超过 90 天未更新的基准会降级，不作为主要证据。
LMArena WebDev2026-10-27 · 前端前端 Web 开发：落地页、交互组件、小游戏和完整页面，也包括需要多步推理和工具调用的 Agent 编程流程。LMArena Image-to-WebDev2026-10-19 · 前端看一张图或截图，生成对应的网页。来源页同时把需要多步推理和工具调用的 Agent 编程流程算进这张榜。Android Bench2026-10-26 · 移动端跨模块、耗时很长的 Android 改造：完整功能，而不是单点修改。Terminal-Bench 4.02026-10-06 · 终端 Agent终端里的 Agent 任务：安装环境、改配置、跑命令、把自动化做完。The Slop Index2026-10-28 · 文档与文案模型写邮件、博客/随笔、推文和 Discord 聊天时，有多像聊天机器人（AI slop）。分数越高越不像机器人。EQ-Bench Creative Writing v32026-10-29 · 文档与文案模型在创意写作提示上的表现：人物与洞察、趣味与原创、行文质量、情节与人物连贯、遵从提示、世界与氛围，以及少套话、少炫技词汇、少堆砌比喻。sudo L72026-10-28 · 通用编码能力通用编码能力：在真实代码库里完成改动、发现风险、验证危险情况，并把决定说清楚。60 道题由 staff 及以上工程师编写，多数来自私有生产仓库，也有开源项目。在本站作为 general 榜，同时出现在 Web 前端与 Android 场景。Supabase Evals2026-10-30 · 框架官方评测模型在 Supabase 开发旅程上做 Build / Deploy / Investigate / Resolve。公开表按 Agent 汇总 Total%。Next.js Agent Evals2026-10-30 · 框架官方评测模型做真实的 Next.js 任务。当前榜是仍在重跑的 agent。更早的「Previously measured」不并进这一列。Convex Evals2026-10-28 · 框架官方评测模型写 Convex 代码并实际跑起来。当前版本 112 题。基线是 No Guidelines：不提供指南，也不能上网。ReactBench2026-10-19 · 生态评测在真实 React 仓库里做写功能和修问题。v1.2 有 39 题、37 个仓库、85 个配置。运行方是 Million，不是 React 团队，也不是 Meta。FrontierCode2026-10-27 · 通用可合并性通用可合并性：维护者会不会合并这份 PR。2.0 为 132 题套件。任务由维护者编写，用单元测试、评分细则与验证器打分。不公平的联网使用会被清零。在本站作为 general 榜，同时出现在 Web 前端、Android 与 CLI / DevOps 场景。DeepSWE v1.12026-09-22 · 通用长程工程通用长程工程：在真实开源仓库里完成功能级改动。113 道题，跨 Go、Python、TypeScript、JavaScript、Rust 等，覆盖 91 个活跃仓库。Agent 在隔离环境里提交改动，再在干净容器里评分。在本站作为 general 榜，同时出现在 Web 前端、Android 与 CLI / DevOps 场景。SWE-bench Verified2026-02-26 · 停更真实 GitHub issue 的修复通过率。Aider Polyglot2025-11-20 · 停更多语言代码编辑的通过率。