步入2026年后，全球AI行业的发展依旧高歌猛进，，隔三岔五就有新模型发布，看得人眼花缭乱，但高分低能的情况也不在少数，那我们应该如何评价AI大模型的好坏呢？是看实验室里的跑分，还是看真实业务场景里的表现？这显然不是一两句话就能说明白的。
而晓天衡宇·评测社区（skylenage）的存在，就是为了解决这一痛点。
晓天衡宇是专门为大模型评测而打造的社区，在这里，所有的数据都不再是冰冷的数字，而是为AI研发与应用提供的最真实、可靠的技术参考，打通从实验室到产业应用的“最后一公里”。
【“七维一体”评测矩阵】
如果只用一种标准去评价一个大模型显然是不公平的，所以我们做了七把尺子：
- 大语言模型评测体系：夯实基础能力评估。
- 多模态模型评测体系：覆盖文生图、图像理解等跨模态能力。
- AI4Science 评测体系：探索 AI 在科学研究中的赋能潜力。
- 垂类领域评测体系：深入金融、法律、医疗等具体行业。
- AI 产品评测体系：关注端到端的应用体验。
- 智能体评测体系：评估Agent 的规划与执行能力。
- 具身智能评测体系：面向未来，关注物理世界的交互智能。
【三个关键词定义“权威评测”】
晓天衡宇的核心技术，在于其背后有一套极致严谨的设计方法论，始终围绕三个核心原则：
1、系统（全景视角、动态演进）
构建多维度评估框架，覆盖通用能力、AI4Science及垂类应用，通过自动化评测实时追踪模型表现，并快速纳入新任务与数据集，确保结果全面、及时反映发展水平。
2、客观（数据驱动、标准统一）
秉持客观中立的评估原则，致力于为所有模型提供公平一致的评测环境、评测数据。通过统一的评估标准、规范化的流程与可复现的方法，尽力排除主观偏见，确保不同模型在相同条件下的性能对比真实、可信，让结果可以复现，数据可以追溯。
3、权威（科学设计、共识共建）
体系的权威性根植于其科学、严谨的设计方法论与透明开放的构建过程。评测标准与基准集经由领域专家与社区共同打磨与验证，致力于为技术演进与产业应用提供具有公信力的可靠参考。
【评测思路】
面对不同类型的榜单和评测需求，我们总结出了一套可复用的评测工作流，最大程度上实现客观、准确且高效：
第一步：权威评测基准（Benchmark）选取
我们不仅选取业界公认的权威基准（如通用能力、逻辑推理、代码能力、数学能力等），更结合行业特性，建立动态更新的评测维度矩阵，确保评测标准始终处于技术前沿。
第二步：科学采样与测试题自建
针对模型“背题”现象（数据污染），我们采取两手策略：
- 针对性抽样： 从海量题库中提取最具代表性的测试子集，提升评测效率。
- 新增独家测试题： 融入平台原创的测试题目。这些题目从未在互联网公开，可以帮助我们看到模型更真实的能力。
第三步：智能裁判模型客观评估
引入高性能裁判模型作为评测参考，通过将严格的评分准则与标准答案注入裁判模型，实现对测试模型输出的深度语义解析与公平打分，有效消除人工评分的主观偏见。 第四步：人机协同深度洞察报告 数据本身没有意义，只有分析后才能挖掘出价值。我们的专家团队会针对评测数据进行多维评估，分析模型在语义理解、安全性、幻觉概率等方面的表现，最终生成一份专业分析报告，并以榜单的形式将评测分数呈现出来。
【评测榜单分类】
晓天衡宇Leaderboard 致力于为大模型提供全面的评测，助力大模型能力提升。
一、大语言模型榜单：
由晓天衡宇评测社区联合高校基于业界公认标准，并结合前沿研究，独立构建与维护的闭源数据集，旨在从根源上防止“应试”和“数据污染”，确保所有模型在一个绝对公平的环境中进行能力检验，并运用自动化与专家评估相结合的模式，遵循“基础能力—逻辑内核—前沿安全”的三层架构，对大语言模型的能力进行多维度、深层次的衡量：
- 基础能力：语言、知识、指令遵循——模型能不能听懂你说的话？
- 逻辑内核：推理、数学、代码、科学——它真的会思考吗？
- 前沿安全：智能体规划、科技伦理——复杂任务能顺利地执行吗？ 这样就覆盖了大模型从“能用”到“好用”再到“放心用”的全过程。 此外，我们的评分也全程自动化，从准确率（Accuracy）、综合评分（Score）、通过率（Pass@1）角度出发，根据任务属性自动匹配最合适的指标，把人为干扰降到最低。
二、垂直领域榜单：
这里主要展示了大模型在特定专业场景和前沿科学领域的评测结果，这些榜单可以清晰地划分为前沿科学推理、专业行业应用以及通用能力三大类。
- 前沿科学推理：这一类榜单主要测试大模型在高难度、专业性强的科学领域的推理与解析能力，涵盖了从微观分子结构到宏观物理现象的多个维度，包括：真实科研场景解析分子结构、费曼图、地理侦探、材料晶体、台球宇宙、显微成像、多模态数学推理、考研数学等。
- 专业行业应用：这一类榜单侧重于大模型在特定商业或工业场景下的实用性，旨在验证模型解决实际业务问题的能力，包括：金融知识、中文医疗、电商Agent、工业代码、企业场景文档级别信息抽取等。
- 通用能力：这一类榜单主要用于验证模型的基础可靠性或作为基准测试，包括：Qwenclaw\HLE-Verified、复杂指令遵循、幻觉等。
【榜单简介】
法律实务：该榜单PLawBench为评测基准，对大模型在实际法律业务场景中的表现作出评测，主要覆盖用户理解、案例分析和文书生成三大方面。 PLawBench旨在评估大型语言模型（LLM）在法律实践中的表现，包含三项法律任务：用户理解、案例分析和法律文书起草，涵盖了个人事务、婚姻与家庭法、知识产权以及刑事诉讼等广泛的现实法律领域。该基准旨在评估大语言模型处理实际法律任务的实践能力。
复杂指令遵循：该榜单评测大模型复杂指令遵循能力，包含202道多约束指令题，覆盖文本处理、文本生成、角色扮演、语言理解、逻辑推理和问答六大任务类型，采用约束通过率和严格通过率ILA两种评测指标，并通过人机一致性验证确保评测可靠性。
幻觉：该榜单专注于评测大模型的幻觉能力，数据来源于通用任务和垂直领域两大类别，通用任务部分从HaluEval数据集中抽取qa、dialogue、summary三个子任务共100条数据；垂直领域部分涵盖AA-Ominiscience数据集的金融、医疗、人文社科、法律、理工和软件工程6大领域各50条，总计400条测试样本。
Qwenclaw：本榜单以 QwenClawBench 为核心评测基准，对12个主流大语言模型在真实世界智能体场景下的综合能力开展系统性评测。 QwenClawBench 是一个面向 OpenClaw 智能体的真实用户场景评测基准，最初在 Qwen3.6-Plus 的研发过程中作为内部基准构建，现已优化并开源。该基准聚焦实际生产力需求，核心特性如下：
- 8 大核心领域｜覆盖 OpenClaw 高频使用场景
- 100道实战任务 ｜ 精心选取自真实用户生产力场景
- 独立容器测评｜支持任务环境隔离与大规模并行测评
- 仿真工作环境｜配置独立工作目录，高度还原用户真实工作流
前沿化学-真实科研场景解析分子结构：本榜单以MolQuest为核心评测基准，评估19款大模型从实验表征信息推断分子结构的能力。MolQuest是面向化学分子结构解析任务的动态推理能力评测基准，共包含 530 条分子结构解析评测任务，所有任务数据均提取自 2025 年以来发表的化学领域开源的高质量学术文献并经严格实验验证，采用模型抽取 + 专家双重校验的标准化流程完成构建。
前沿物理推理-费曼图：本榜单以FeynmanBench为核心评测基准，基于 2000+ 条标准模型相互作用样本，评估10款顶尖大模型对粒子物理图表的拓扑识别与振幅推导能力。FeynmanBench是一个革新性的基准测试，用于评估大型多模态模型（MLLMs）在图表物理推理和形式化符号理解方面的能力。与传统的视觉问答（VQA）任务主要测试局部信息提取不同，FeynmanBench 通过在费曼图场景中进行多步 diagrammatic 推理预测来直接测试模型对"全局结构逻辑"的理解。
前沿物理推理-地理侦探：本榜单以Geolocation-Bench为核心评测基准，系统性地对12个主流多模态大模型在定位精度、自校准与综合能力上开展对比评测。Geolocation-Bench是一个评估大型视觉语言模型（VLMs）在复杂地理环境下进行街景图像理解、推理与坐标预测能力的基准测试。与传统基于地标匹配的任务不同，Geolocation-Bench通过高分辨率全景街景图像要求模型直接输出经纬度坐标——这一任务需要同时具备视觉特征提取、地理常识推理及空间映射能力。
金融知识：榜单基于100道真实财税政策多选题，评估大模型在企业所得税、增值税等场景下的政策检索、规则应用与复杂推理能力。
前沿物理推理-材料晶体：本榜单以CrystalXRD-Bench为核心评测基准，对7款全球顶尖大模型在前沿物理方面的相关能力进行探索。CrystalXRD-Bench 是面向材料科学领域的 XRD 衍射图谱理解评测基准，评估模型从理论合成 XRD 图像中识别 Miller 指数（HKL）的能力。
前沿物理推理-台球宇宙：本榜单以BilliardPhys Bench为核心评测基准，系统性地对12个主流大语言模型在前沿物理相关能力上开展对比评测。BilliardPhys Bench用于评估多模态大型语言模型(LMMs)物理推理和视觉动力学能力，通过合成台球场景的前向物理模拟预测来评估模型的物理直觉理解能力。
前沿物理推理-显微成像：本榜单以SPM-Bench 为核心评测基准，该评测集是面向扫描探针显微学的博士级多模态评测基准，对12款全球顶尖大模型在原子尺度表面物理场景中的深度感知、物理推理与科学判断能力进行评测。 企业场景文档级别信息取：该评测榜单基于统一Schema的视觉文档关键信息抽取榜单，评测29款大模型在多领域、多类型真实文档上的端到端抽取能力。
HLE Verified：本榜单以HLE-Verified 为核心评测基准，探索8个主流大语言模型在复杂推理任务上的真实能力边界。HLE-Verified 是基于 Humanity’s Last Exam（HLE）构建的系统验证与修订版本评测基准。我们对原始 2,500 道跨学科高难度问题进行系统审计，建立透明的验证流程与细粒度缺陷分类体系，对问题陈述、参考推理与最终答案分别进行独立核查与保守修订。数据被划分为 Gold（668）、Revision（1,143） 与 Uncertain（689） 三个子集，并提供完整的验证元数据与错误类型标注。HLE-Verified 旨在提升高难度推理评测的数据可靠性与验证透明度，为更稳健的能力测量提供基础设施支持。
工业代码：本榜单以IndustryCode为核心评测基准，系统性地对17个主流大语言模型在工业代码相关能力上开展对比评测，IndustryCode构建了首个面向工业场景的多领域、多语言代码生成评测基准。
多模态数学推理：本榜单以ReasoningMath-MM为核心评测基准，系统性地对9个主流大语言模型在多模态数学相关能力上开展对比评测。 ReasoningMath-MM评测集包含120道专家手工构建题目，所有视觉内容均人工重绘并再参数化，以降低潜在数据污染与重复记忆的影响。
中文医疗：本榜单以ClinConsensus为核心评测基准，系统性地对14个主流大语言模型在中文医疗相关能力上开展对比评测。 ClinConsensus是一个由临床专家精心策划、验证和质量控制的中文医疗基准测试，包含了2500个开放式病例，涵盖从预防和干预到长期随访的完整医疗服务链，涉及 36 个医学专科、12 种常见临床任务类型，且复杂度逐步递增，用于评估大模型在医疗全方位场景下的医疗能力。
电商Agent：本榜单基于通义实验室和晓天衡宇联合提出全新的 EcomBench 基准，用于全面衡量智能体在电商环境下的实际能力。 信息抽取：榜单基于OCR关键信息抽取评测集，用于衡量大模型在企业、财务等真实业务场景领域的复杂文档、单据等材料的关键信息识别与抽取的能力。
考研数学：榜单对 16 个主流大语言模型的数理逻辑能力进行对比评测，主要围绕2026年的考研数学真题，辅以2023-2025年的真题进行对比，从推理效率、鲁棒性等多个维度进行分析。
【写在最后】
未来，我们还将持续更新更多专业、客观、准确的模型榜单，将有更多全球顶尖大模型加入到参评名单中，欢迎持续关注。
如果您有任何模型评测相关的需求或者建议，欢迎在评论区和我们沟通交流。
访问晓天衡宇•评测社区官方平台，查看更多详细的评测数据，获取更多大模型相关知识：skylenage.net/sla/leaderb…
