第 1 名
Gemini2.5-Pro（Qwen3 报告 · 推理模型对比）
85.1第三方复现
INCLUDE (base-44)
44 语区域知识多选题 benchmark；静态表合并 HF 官方模型表与 2025 模型方技术报告 INCLUDE 成绩。
收录成绩2121 个模型或系统
当前第一85.1Gemini2.5-Pro（Qwen3 报告 · 推理模型对比）
指标准确率INCLUDE 全语料准确率（%）；指令语言见各来源说明
数据时效人工整理整理于 2026-10-22 · 2 个数据源
第 2 名
OpenAI-o1（Qwen3 报告 · 推理模型对比）
84.6第三方复现
第 3 名
DeepSeek-R1（Qwen3 报告 · 推理模型对比）
82.7第三方复现
排名表
显示 21 / 21
| 模型 | 机构 | 来源 | 备注 | |||
|---|---|---|---|---|---|---|
| 1 | Gemini2.5-Pro（Qwen3 报告 · 推理模型对比） | 85.1 | 第三方复现 | 2026-10-22 | 定位：Table 11，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队在同一对比表中给出的他家模型成绩；Qwen3 技术报告 Table 11 推理模型对比；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 | |
| 2 | OpenAI-o1（Qwen3 报告 · 推理模型对比） | OpenAI | 84.6 | 第三方复现 | 2026-10-22 | 定位：Table 11，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队在同一对比表中给出的他家模型成绩；Qwen3 技术报告 Table 11 推理模型对比；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 3 | DeepSeek-R1（Qwen3 报告 · 推理模型对比） | DeepSeek | 82.7 | 第三方复现 | 2026-10-22 | 定位：Table 11，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队在同一对比表中给出的他家模型成绩；Qwen3 技术报告 Table 11 推理模型对比；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 4 | Qwen3-235B-A22B (Thinking)（Qwen3 报告 · 推理模型对比） | Alibaba | 78.7 | 模型方自报 | 2026-10-22 | 定位：Table 11，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队自报；Qwen3 技术报告 Table 11 推理模型对比；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 5 | DeepSeek-V3 (Base)（Qwen3 报告 · 基座 5-shot） | DeepSeek | 75.2 | 第三方复现 | 2026-10-22 | 定位：Table 3，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队在同一对比表中给出的他家模型成绩；Qwen3 技术报告 Table 3 基座模型对比（5-shot）；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 6 | Llama-4-Maverick (Base)（Qwen3 报告 · 基座 5-shot） | Meta | 73.5 | 第三方复现 | 2026-10-22 | 定位：Table 3，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队在同一对比表中给出的他家模型成绩；Qwen3 技术报告 Table 3 基座模型对比（5-shot）；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 7 | Qwen3-235B-A22B (Base)（Qwen3 报告 · 基座 5-shot） | Alibaba | 73.5 | 模型方自报 | 2026-10-22 | 定位：Table 3，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队自报；Qwen3 技术报告 Table 3 基座模型对比（5-shot）；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 8 | Llama3.1-70B-Instruct | Meta | 70.6 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；Harness-eval；44 语区域知识选择题。 |
| 9 | Qwen2.5-72B (Base)（Qwen3 报告 · 基座 5-shot） | Alibaba | 69.0 | 模型方自报 | 2026-10-22 | 定位：Table 3，INCLUDE 列；来源发布日期：2025-05-14；Qwen 团队自报；Qwen3 技术报告 Table 3 基座模型对比（5-shot）；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 10 | Qwen2.5-Plus (Base)（Qwen3 报告 · 基座 5-shot） | DeepSeek | 67.0 | 模型方自报 | 2026-10-22 | 定位：Table 3，INCLUDE 行，Qwen2.5-Plus 列；来源发布日期：2025-05-14；Qwen 团队自报；Qwen3 技术报告 Table 3 基座模型对比（5-shot）；与 HF 官方 Harness 表的协议不同，跨协议比较仅供参考。 |
| 11 | Qwen2.5-14B | Alibaba | 62.3 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 12 | Aya-expanse-32b | Cohere | 59.1 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 13 | Qwen2.5-7B | Alibaba | 55.0 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 14 | Qwen2.5-7B-Instruct | Alibaba | 54.8 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 15 | Gemma-7B | 53.5 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 | |
| 15 | Llama-3.1-8B-Instruct | Meta | 53.5 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 17 | Llama-3.1-8B | Meta | 51.2 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 18 | Aya-expanse-8b | Cohere | 47.2 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 19 | Mistral-7B-Instruct | Mistral | 44.2 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 20 | Mistral-7B | Mistral | 44.1 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
| 21 | Gemma-7B-Instruct | 38.6 | 官方榜单 | 2026-10-22 | 定位：README Model Performance 表，Original Language instructions 列；来源发布日期：2024-11-29；同上。 |
榜单说明
第 4 批接入INCLUDE（include-base-44）由 Cohere For AI 发布，覆盖 44 种语言/方言的区域知识与考试风格选择题，用于衡量模型在多语语境下的知识而非单纯翻译能力。Hugging Face 数据集卡片提供基于 lm-evaluation-harness 的 Model Performance 表（Original Language instructions 与 English instructions 两列）；本站总分取 Original Language instructions 列，与「各语用本语指令答题」的设置一致。
静态表另收录 Qwen3 技术报告（2025）的两张对比表：Table 3 基座模型对比（5-shot）与 Table 11 推理模型对比。这两类成绩的评测协议与 HF 官方 Harness 表不同，跨协议比较只能作参考，因此在模型名后注明”Qwen3 报告 · 基座 5-shot”或”Qwen3 报告 · 推理模型对比”；其中 Qwen 自家模型记为模型方自报，Qwen 团队给出的他家模型成绩记为第三方复现。
未选用 Global-MMLU / MMMLU 等候选的原因：前者缺乏作者维护的统一榜单 URL，后者多分散在各模型卡。MGSM 偏数学且仅 10 语，与本站「 broad 多语知识」目标不完全一致。
- 指标
- 准确率：INCLUDE 全语料准确率（%）；指令语言见各来源说明（越高越好）
- 数据源
- INCLUDE base-44 数据集卡片（在新窗口打开）（官方榜单）
- Qwen3 Technical Report（在新窗口打开）（技术报告或模型卡）
- 来源类型
- 官方榜单 12模型方自报 4第三方复现 5
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。