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
WildBench is an automated evaluation framework that benchmarks large language models using 1,024 challenging, real-world tasks selected from over one million human-chatbot conversation logs. It introduces two evaluation metrics (WB-Reward and WB-Score) that achieve high correlation with human preferences and uses task-specific checklists for systematic evaluation.
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 |
|---|---|---|---|---|---|
| MiniStral 3 (14B Instruct 2512) | 0.685 | 未收录 | 未收录 | 2025-12-04 · model_announcement | LLM Stats |
| Mistral Large 3 | 0.685 | 未收录 | 未收录 | 2025-09-01 · model_announcement | LLM Stats |
| Ministral 3 (8B Instruct 2512) | 0.668 | 未收录 | 未收录 | 2025-12-04 · model_announcement | LLM Stats |
| Mistral Small 3.2 24B Instruct | 0.6533 | 未收录 | 未收录 | 2025-06-20 · model_announcement | LLM Stats |
| Ministral 3 (3B Instruct 2512) | 0.568 | 未收录 | 未收录 | 2025-12-04 · model_announcement | LLM Stats |
| Mistral Small 3 24B Instruct | 0.522 | 未收录 | 未收录 | 2025-01-30 · model_announcement | LLM Stats |
| Jamba 1.5 Large | 0.485 | 未收录 | 未收录 | 2024-08-22 · model_announcement | LLM Stats |
| Jamba 1.5 Mini | 0.424 | 未收录 | 未收录 | 2024-08-22 · model_announcement | LLM Stats |