5 個 LLM 基準測試
5 個基準測試幫你判斷模型強弱、看懂分數失真，並選出最適合商務採購的測試。
這篇整理 5 個 LLM 基準測試，幫你判斷模型強弱、看懂分數失真，並選出最適合商務採購的測試。
LLM 的分數看起來很明確，但到了 2026 年，只有部分測試還能反映真實表現。前沿模型在 GPQA Diamond 已到 94.3%，在 GSM8K 也逼近 99%，所以更重要的是：哪一個測試真的對應你的業務場景。
| 項目 | 測什麼 | 目前訊號 | 最適合 |
|---|---|---|---|
| MMLU | 57 個學科的廣泛知識 | 頂尖分數 93% | 通用篩選、中階模型比較 |
| GPQA Diamond | 博士級科學推理 | 頂尖分數 94.3% | 高難推理、前沿模型比較 |
| HumanEval | Python 程式生成 | 頂尖分數 93% | 快速 coding 檢查 |
| SWE-bench Verified | 真實 GitHub 問題修復 | 頂尖分數 80.8% | 軟體工程評估 |
| LiveCodeBench | 抗污染 coding 測試 | 頂尖分數 83.6% | 持續追蹤 coding 能力 |
1. MMLU
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
MMLU 是這 5 個裡最廣的通用知識測試，涵蓋 57 個學科、超過 16,000 題選擇題。當你想快速看一個模型能不能處理跨領域提示，這個分數仍然很有用。
它的問題是開始飽和。前沿模型已推到 93%，所以它更適合區分弱模型與中階模型，不太適合拿來分辨最頂尖的幾個系統。
- 測量面向：知識與推理
- 題型：選擇題
- 適合用途：初步篩選
- 不適合：最後的前沿排名
2. GPQA Diamond
GPQA Diamond 適合你想測更硬的推理能力。它用生物、化學、物理等專家級題目，仍保留足夠難度來區分頂尖模型。
截至 2026 年 2 月，Gemini 3.1 Pro 以 94.3% 領先，Claude Opus 4.6 為 91.3%，GPT-5.3 Codex 為 81%，Qwen3.5-plus 也接近 88.4%。這種差距表示它在頂端仍有辨識力。
- 測量面向：高階科學推理
- 題型：博士級選擇題
- 適合用途：前沿模型比較
- 要注意：頂端仍可能逐步飽和
3. HumanEval
HumanEval 仍是最容易理解的 coding 測試，因為它很直觀：164 個 Python 任務，全部靠單元測試驗證。如果你要做 demo、內部初選或快速檢查，這仍是好起點。
但它已不算強力的前沿區分器。GPT-5.3 Codex 已到 93%，再加上污染問題存在，商務決策上應把它當第一關，而不是最後答案。
- 測量面向：程式生成
- 語言：Python
- 驗證方式：功能單元測試
- 適合用途：快速基線檢查
4. SWE-bench Verified
SWE-bench Verified 更接近真實軟體工作。它不是孤立題目，而是要求模型修補真實 GitHub issue，模型必須理解上下文、找出 bug，還要產出能通過測試的 patch。
如果你關心開發者效率或 coding agent，這是最值得追的指標之一。Claude Opus 4.6 以 80.8% 領先，MiniMax-M2.5 為 80.2%，Gemini 3.1 Pro 為 80.6%，顯示頂尖系統之間競爭很接近。
- 測量面向：端到端軟體工程
- 任務類型：真實 repository issue
- 適合用途：agentic coding 評估
- 優勢：比合成題更難作弊
5. LiveCodeBench
LiveCodeBench 適合想要「分數還跟得上現況」的團隊。它會定期更新題庫，降低訓練資料污染，也讓測試能隨著模型進步持續保持價值。
這對追蹤版本更新很重要。Qwen3.5-plus 在第 6 版以 83.6% 領先，而這個數字之所以更有意義，就是因為題庫會變動，較不容易被背題影響。
LiveCodeBench 適合：1) 需要抗記憶化的 coding 測試，2) 想按月追蹤分數，3) 想看更貼近當前模型行為的比較。怎麼挑
如果你要先做廣泛篩選，從 MMLU 開始。若工作重點是高難推理，GPQA Diamond 更有訊號。對軟體團隊來說，HumanEval 可當快速檢查，但真要看實際 coding 能力，SWE-bench Verified 和 LiveCodeBench 更可靠。
最重要的原則很簡單：讓基準測試對應你的工作。只有當題目接近生產任務、資料夠乾淨，而且測試本身還有足夠區分度時，高分才真的有意義。