LiveBench
一个面向大型语言模型的实时更新评测基准，通过持续更新题目避免数据污染，用于公平比较不同模型的综合能力
时间轴 (近 90 天)
LiveBench 七项评测中，Terra 总分 77.8，能动性（agency）项得分 48.6，远低于其编码（94.3）和浏览（93.1）分数。
在 LiveBench 长时程 agentic 任务上，Opus 和 Astra 得分均在 80 分以上，Argon 只有约 70 分。
LiveBench 的 agentic coding 子项专门考察模型在多步骤工具调用与文件操作中的持续表现。
LiveBench 的题目来自近期竞赛、论文与新闻，按月更新以防数据污染，并设有客观可验证的答案。
学术界正在探索动态基准（如HELM、LiveBench）和对抗性评测（Adversarial NLI）作为替代方案
参考LiveBench基准，Claude Fable 5.1与GPT-6 Astra能力接近
LiveBench 等新型评测框架会定期替换题目以对抗数据污染
LiveBench是每月更新测试题目的动态基准
许多经典基准已趋于饱和（如HellaSwag上多个模型得分超过95%），业界正在开发更具区分度的新基准如GPQA、SWE-bench、LiveBench
全部知识事实 (8)
LiveBench 七项评测中，Terra 总分 77.8，能动性（agency）项得分 48.6，远低于其编码（94.3）和浏览（93.1）分数。
50%待验证在 LiveBench 长时程 agentic 任务上，Opus 和 Astra 得分均在 80 分以上，Argon 只有约 70 分。
50%待验证LiveBench 的题目来自近期竞赛、论文与新闻，按月更新以防数据污染，并设有客观可验证的答案。
50%待验证LiveBench 的 agentic coding 子项专门考察模型在多步骤工具调用与文件操作中的持续表现。
50%待验证学术界正在探索动态基准（如HELM、LiveBench）和对抗性评测（Adversarial NLI）作为替代方案
50%待验证LiveBench 等新型评测框架会定期替换题目以对抗数据污染
50%待验证LiveBench是每月更新测试题目的动态基准
50%待验证许多经典基准已趋于饱和（如HellaSwag上多个模型得分超过95%），业界正在开发更具区分度的新基准如GPQA、SWE-bench、LiveBench
50%