评测覆盖什么
另有回归检查,用于发现引用丢失、覆盖率报告不实或任务操作破坏数据等失败模式。这些检查与能力得分分别披露。
当前公开版本的口径
官网当前公开快照为 1.0,发布于 2026 年 8 月 25 日,报告日期为 2026 年 8 月 15 日:- 评测 11 个模型。
- 55 项能力评估,每项对每个模型运行 3 次,共 165 次能力运行/模型。
- 19 项回归检查单独报告,不计入能力得分与默认排名。
- 能力得分为各项能力评估通过率的等权重平均值,得分相同则并列排名。
155 / 165 时,得分约为 93.9%。这表示该测试集中的通过表现,不表示每个真实任务都有相同成功概率。
如何读榜单
各模型运行批次不同,服务商负载也有波动,因此延迟只作方向性参考。定价基础和模型版本也可能变化,请阅读榜单说明。
图表与模型详情
图表横轴是基准测试总成本上限,使用对数坐标;纵轴是能力得分。在这两个指标下,越靠左成本越低,越靠上得分越高。 实线表示观测到的帕累托前沿:在这份样本中,没有其他模型同时得分更高或相同、且成本更低,并在其中一项严格更优。它只比较图中的能力和成本,不纳入延迟、具体任务需求或账户权限。 选择图表中的模型点,或展开排行榜的详情,查看维度表现和已披露的回归问题。手机布局还可以切换能力、成本与延迟排序;桌面表格直接展示这些指标。用它辅助选择模型
- 明确任务:研究、计算、文件处理还是定时工作流。
- 查看相关维度和回归问题,而不只看总分。
- 结合成本和中位数/p90,选择符合你等待时间与用量要求的候选。
- 在 Driven 中用自己的代表性任务检查结果,核对数据、引用和工具执行。
结果反映指定版本、任务集与测试条件。总分较高不能消除引用、数据或执行错误;回归检查通过也不代表所有真实场景都安全。评测不衡量投资收益,不构成投资建议。
查看公开数据
- 交互榜单
- 完整 JSON 数据 —— 方法、模型结果、维度结果与披露的回归事件
- 文本版评测说明
- 为什么需要 DrivenBench