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
Program Bench evaluates code-generation agents by asking them to recreate a program's behavior from only a compiled binary and documentation. It spans 200 tasks from small CLI tools to large systems such as FFmpeg and SQLite, with submissions judged against more than 248,000 fuzz-generated behavioral tests.
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。
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 |
|---|---|---|---|---|---|
| Kimi K3 | 0.778 | 未收录 | 未收录 | 2026-07-16 · model_announcement | LLM Stats |
| GLM-5.2 | 0.637 | 未收录 | 未收录 | 2026-06-16 · model_announcement | LLM Stats |
| Kimi K2.7 Code | 0.536 | 未收录 | 未收录 | 2026-06-12 · model_announcement | LLM Stats |
| Seed 2.1 Pro | 0.503 | 未收录 | 未收录 | 2026-06-24 · model_announcement | LLM Stats |
| Seed 2.1 Turbo | 0.494 | 未收录 | 未收录 | 2026-06-24 · model_announcement | LLM Stats |
| GLM-5.3 | 0.19 | 未收录 | 未收录 | 2026-08-14 · model_announcement | LLM Stats |