AI 模型评测榜:推理、Agentic 编程与视觉

LLM BENCHMARK3 类评测

三类评测各看一种能力:推理看逻辑与数学,Agentic 看真实开发任务里的多轮修复,视觉看图像理解与多模态。分数不互通,选模型先想清楚要比哪一种。

评测类别 3 类 合计 87 条成绩 · 最新期次 2026-10

评测榜按能力分三类:推理考逻辑、数学与规划,Agentic 考真实项目里的多轮修复与工程完成度,视觉考图像理解与视觉推理。每类按报告期次出榜,名次与分数按原样列出,三类之间不能互相换算。

评测类别 3 推理、Agentic 编程、视觉
收录成绩 87 条 三类当前期次合计
有成绩的类别 3/3 没有成绩的类别显示空态
最新期次 2026-10 按榜单的报告期次

三类评测

3 个分区
点类别进去看全部成绩与评分说明

推理

逻辑与推理能力

44 个模型

追踪模型在逻辑、数学、规划与人类直觉等私有题库上的长期表现。

报告期次 2026-10 完整榜单 →

Agentic

Agentic 编程能力

23 个模型

观察模型在真实开发任务中的多轮修复、交互与工程完成度。

报告期次 2026-10 完整榜单 →

视觉

视觉理解与表达

20 个模型

对比模型处理图像理解、视觉推理与多模态任务时的稳定表现。

报告期次 2025-11 完整榜单 →

说明与边界

三类成绩怎么算
题目集与评分标准各不相同,别跨类换算
三类各测什么推理 / Agentic / 视觉逻辑数学规划、真实项目多轮修复、图像理解与多模态
分数能不能跨类比不能题目集、评分标准与满分都不同,跨类比较没有意义
榜单多久出一期按报告期次页面标注这一期属于哪个月,跨期分数也会因题目调整变化
名次怎么定按官方榜原样列出不做加权、不做换算,同分并列按官方呈现
模型数为什么不一样按各类实际测过统计没测或未公开成绩的模型不会出现在该类别里
拿来做什么选型参考先按能力挑候选,再用自己的任务实测确认
三类评测有什么不一样?

推理类考逻辑、数学与规划,看的是模型自己会不会想;Agentic 类把模型放进真实项目,看多轮修复与工程完成度;视觉类考图像理解、视觉推理与多模态任务。三类考的能力不同,不能拿一类的分数推另一类。

为什么有的类别模型多、有的少?

各类别测的模型范围由该评测自己决定,有的只测前沿模型,有的会带上开源与国产模型;没测过的不会出现在那一类里。

推理榜靠前的模型,Agentic 榜也靠前吗?

不一定。做题能力与真实工程里修 bug 的能力不是一回事,同一个模型在两类榜上名次差很多是常见现象。

分数差多少算真的有差别?

看同分并列与题目数量。差距在个位数分、又处在同一档里时,通常不足以说明强弱,结合报告期次与题目变动一起看更稳。

成绩来自 llm2014/llm_benchmark 的公开评测数据,名次与分数按原样列出。