第 1 名
GPT-5
72.5官方榜单
ArtifactsBench
1825 项视觉交互代码任务；Gemini-2.5-Pro 作 MLLM 裁判的 AVG 百分制均分，官方榜单停在 2025 年 10 月。
收录成绩2020 个模型或系统
当前第一72.5GPT-5
指标AVG 均分全任务 MLLM-as-Judge 全局平均分（0–100，Version 1.2）
数据时效人工整理整理于 2026-10-27 · 3 个数据源
第 2 名
MiniMax-M2
66.8模型方自报
第 3 名
Claude-opus-4-1
59.8官方榜单
排名表
显示 20 / 20
| 任务类型 | |||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 模型 | 机构 | 来源 | 备注 | ||||||||||||
| 1 | GPT-5 | OpenAI | 72.5 | 72.2 | 79.8 | 75.2 | 69.8 | 77.9 | 73.4 | 71.3 | 79.4 | 65.0 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 1 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 2 | MiniMax-M2 | MiniMax | 66.8 | — | — | — | — | — | — | — | — | — | 模型方自报 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 2 名，访问于 2026-10-27；来源发布日期：2025-10-27；官方榜单以 * 标记；README Release Notes 写明分数取自所链接页面中的模型方报告，不是团队统一评测，没有分项。 |
| 3 | Claude-opus-4-1 | Anthropic | 59.8 | 58.1 | 60.5 | 61.4 | 59.4 | 61.6 | 57.0 | 60.1 | 58.9 | 57.4 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 3 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 4 | Ling-1T | Ant Group | 59.3 | — | — | — | — | — | — | — | — | — | 模型方自报 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 4 名，访问于 2026-10-27；来源发布日期：2025-10-08；官方榜单以 * 标记；README Release Notes 写明分数取自所链接页面中的模型方报告，不是团队统一评测，没有分项。 |
| 5 | Gemini-2.5-Pro | 57.7 | 60.1 | 59.2 | 58.7 | 55.6 | 58.4 | 65.3 | 58.1 | 55.5 | 53.2 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 5 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 | |
| 6 | Claude Sonnet 4 (20250514) | Anthropic | 57.3 | 56.8 | 60.1 | 60.1 | 55.2 | 58.0 | 53.9 | 58.4 | 58.4 | 55.4 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 6 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 7 | GPT-OSS-120B | OpenAI | 56.9 | 58.1 | 56.8 | 58.9 | 54.9 | 53.9 | 54.2 | 58.8 | 57.7 | 57.0 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 7 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 8 | Qwen3-235B-A22B-Thinking-2507 | Alibaba | 55.0 | 53.6 | 55.7 | 56.9 | 54.3 | 56.4 | 44.8 | 55.9 | 57.4 | 54.1 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 8 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 9 | o3-2025-04-16 | OpenAI | 54.0 | 54.9 | 56.9 | 55.9 | 51.9 | 54.3 | 56.4 | 53.0 | 55.8 | 50.2 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 9 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 10 | GLM-4.5 | Z.ai | 51.3 | 51.1 | 54.9 | 53.1 | 49.7 | 54.8 | 51.8 | 51.7 | 52.1 | 47.3 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 10 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 11 | Claude 3.7 Sonnet (20250219) | Anthropic | 51.3 | 49.8 | 51.6 | 53.2 | 50.8 | 51.1 | 45.4 | 53.5 | 50.8 | 51.7 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 11 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 12 | Qwen3-235B-A22B-Instruct-2507 | Alibaba | 50.6 | 48.4 | 50.4 | 53.0 | 50.2 | 50.7 | 40.4 | 52.2 | 50.2 | 50.8 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 12 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 13 | GLM-4.5_Air | Z.ai | 48.9 | 48.3 | 52.5 | 51.7 | 46.4 | 52.8 | 48.4 | 49.7 | 55.6 | 44.4 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 13 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 14 | DeepSeek-R1-0528 | DeepSeek | 47.7 | 48.1 | 53.3 | 49.5 | 45.5 | 50.5 | 45.1 | 47.9 | 54.1 | 42.7 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 14 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 15 | Kimi K2 Instruct | Moonshot AI | 47.6 | 50.1 | 51.3 | 49.9 | 44.3 | 47.1 | 50.6 | 46.8 | 48.9 | 46.1 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 15 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 16 | Qwen3-Coder-480B-A35B-Instruct | Alibaba | 47.1 | 46.3 | 50.8 | 48.7 | 46.0 | 49.3 | 40.2 | 48.1 | 49.7 | 46.1 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 16 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 17 | GPT-4.1-2025-04-14 | OpenAI | 46.0 | 43.8 | 47.4 | 47.3 | 45.9 | 49.3 | 42.5 | 46.1 | 45.4 | 41.0 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 17 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 18 | DeepSeek-V3-0324 | DeepSeek | 43.5 | 44.0 | 43.5 | 46.8 | 41.0 | 45.3 | 40.2 | 45.6 | 37.2 | 42.2 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 18 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 19 | DeepSeek-R1 | DeepSeek | 41.4 | 43.0 | 43.8 | 43.7 | 38.7 | 40.9 | 42.4 | 41.9 | 40.8 | 39.8 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 19 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
| 20 | Qwen3-235B-A22B | Alibaba | 41.1 | 42.8 | 42.0 | 43.0 | 38.8 | 40.7 | 40.1 | 42.6 | 38.9 | 39.4 | 官方榜单 | 2026-10-28 | 定位：Leaderboard Version 1.2（Gemini-2.5-Pro 裁判），按 AVG 降序第 20 名，访问于 2026-10-27；来源发布日期：2025-08-01；Version 1.2（2025-08）；AVG 为 0–100 全局均分。 |
榜单说明
第 6 批接入转录官方 Leaderboard Version 1.2（2025-08，统一 Gemini-2.5-Pro 裁判，访问于 2026-10-27）：按 AVG 降序连续取前 20 名。分数来自页面打包 JSON performances；published_at 取 Version 1.2 月份 2025-08-01，README 未给逐模型日期。2025 年 10 月补入的 MiniMax-M2 与 Ling-1T 在官方榜单上以 * 标记，README 写明其分数取自所链接页面中的模型方报告（不是团队统一评测），记为模型方自报，日期取 README 的补入日，没有分项。
- 指标
- AVG 均分：全任务 MLLM-as-Judge 全局平均分（0–100，Version 1.2）（越高越好）
- 子项
- 任务类型Static VisualMild-to-Moderate DynamicsHigh DynamicsIntensive InteractiveGameSVGWebSimulationManagement System
- 数据源
- 来源类型
- 官方榜单 18模型方自报 2
分数取自数据源原文；同一模型在不同评测设置或不同来源下分别列出，来源冲突时全部保留并标注来源类型。
更新记录
0 条首次同步作为基线，之后新上榜、分数变化和移除的条目会记录在这里。