AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
HumanEval+
Enhanced version of HumanEval that extends the original test cases by 80x using EvalPlus framework for rigorous evaluation of LLM-synthesized code functional correctness, detecting previously undetected wrong code
评测信息与证据
- 来源
- LLM Stats
- 发布者
- 未收录
- 评测发布日期
- 未收录
- 采集日期
- 2026-08-17
- 模态
- text
本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。
原始资料
报告成绩 10
按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| Phi 4 Reasoning | 0.929 | 未收录 | 未收录 | 2025-04-30 · model_announcement | LLM Stats |
| Phi 4 Reasoning Plus | 0.923 | 未收录 | 未收录 | 2025-04-30 · model_announcement | LLM Stats |
| Granite 3.3 8B Base | 0.8609 | 未收录 | 未收录 | 2025-04-16 · model_announcement | LLM Stats |
| Granite 3.3 8B Instruct | 0.8609 | 未收录 | 未收录 | 2025-04-16 · model_announcement | LLM Stats |
| Phi 4 | 0.828 | 未收录 | 未收录 | 2024-12-12 · model_announcement | LLM Stats |
| IBM Granite 4.0 Tiny Preview | 0.783 | 未收录 | 未收录 | 2025-05-02 · model_announcement | LLM Stats |
| MiMo-V2.5-Pro | 0.756 | 未收录 | 未收录 | 2026-04-27 · model_announcement | LLM Stats |
| Qwen2.5 32B Instruct | 0.524 | 未收录 | 未收录 | 2024-09-19 · model_announcement | LLM Stats |
| Qwen2.5 14B Instruct | 0.512 | 未收录 | 未收录 | 2024-09-19 · model_announcement | LLM Stats |
| ERNIE 4.5 | 0.25 | 未收录 | 未收录 | 2025-06-25 · model_announcement | LLM Stats |