一、通用百科知识（英/中）

1. MMLU（Massive Multitask Language Understanding）[Hendrycks et al., 2021] — 57学科（STEM/人文/社科/医学等）多选，测跨学科世界知识，最经典的知识广度基准。
2. MMLU-Redux（Gema et al., 2025）— MMLU 的去噪修正版，剔除歧义和错误标注题目，结果更可靠。
3. MMLU-Pro（Wang et al., 2024）— MMLU 升级版：选项4→10个、增难度和多步推理题、去噪声，更考验推理而非纯记忆。
4. C-Eval（Huang et al., 2023）— 中文综合知识基准，52科（高考/公考/大学），测中文语境下的知识与推理。
5. CMMLU（Li et al., 2024）— 中文版 MMLU，67个主题含中国文化/常识，专门评估中文基座模型。

 二、指令遵循 & 格式约束

• IFEval（Zhou et al., 2023b）— Instruction-Following Evaluation，测试模型能否遵守"禁用某些词/限定句数/输出JSON/包含关键词"等多重格式约束，测指令顺从度。

 三、长文档理解与事实性

1. FRAMES（Krishna et al., 2024）— 需跨多段检索+推理的长文档问答，测长上下文检索与综合推理能力。
2. SimpleQA（OpenAI, 2024a）— 4326道简短事实性问题（有唯一可验证答案），专门测抗幻觉/事实准确率，GPT-4o 也仅~38%。
3. C-SimpleQA（He et al., 2024）— SimpleQA 的中文等价版，测中文事实性/抗幻觉。

 四、高阶科学推理

• GPQA Diamond（Rein et al., 2023）— 研究生级生物/物理/化学推理（Diamond子集198题），Google-proof设计，需真正理解才能作答，人类博士生约81%。

 五、代码能力

1. SWE-Bench Verified（OpenAI, 2024b）— SWE-bench 人工核验子集，给 GitHub issue 让模型修真实 bug，测软件工程级编码能力。
2. Aider（Gauthier, 2025）— 用 Aider 工具辅助完成代码编辑/重构任务，测 AI 辅助编程场景下的代码修改能力。
3. LiveCodeBench（Jain et al., 2024）（2024-08～2025-01）— 动态更新的算法竞赛题（去污染），测代码生成+调试，避免训练数据泄露。
4. Codeforces（Mirzayanov, 2025）— Codeforces 竞赛题目，按难度分级测算法竞赛级编程能力。

六、数学推理

1. AIME 2024（American Invitational Mathematics Examination）— 美国数学邀请赛真题，需多步符号推理，推理模型核心指标。
2. CNMO 2024（Chinese National High School Mathematics Olympiad）— 中国高中数学奥林匹克题，测中文数学竞赛推理。

归纳：这套 benchmark 组合分别验证模型在——英/中文百科知识(MMLU系/C-Eval/CMMLU) → 指令遵循(IFEval) → 长文理解+事实性(FRAMES/SimpleQA/C-SimpleQA) → 博士级推理(GPQA) → 代码生成与工程修复(SWE-Bench/Aider/LiveCodeBench/Codeforces) → 奥数级数学推理(AIME/CNMO)——六个维度的能力，是目前顶会论文（DeepSeek、Qwen、Claude等）最常用的综合评测套餐。