Hugging Face 官方基准榜首次快照：49个排行榜的霸主盘点

官方基准地图的第一次快照

Hugging Face 官方基准排行榜地图（Hugging Face Official Benchmark Leaderboards）发布了首期每日更新。这份数据直接从 Hugging Face 公共 API 读取所有被标记为「官方基准」的排行榜，截至 2026-10-18（KST），共收录 49 个官方基准、1,102 条榜单记录。

由于是系列的第一期，它的定位不是「变化追踪」而是「基线记录」——先回答一个问题：今天每个榜单上排第一的是谁。后续的更新将只报告发生变化的部分。这意味着这份快照本身就具备存档价值：它是一份可对照的时间切片，供后续观察模型迭代与榜单波动。

谁拿下了最多的第一名

从「组织获得第一名次数」的维度看，榜单呈现出明显的不均衡分布。

排名	组织	第一名次数
1	FINAL-Bench	11
2	inclusionAI	4
3	zai-org	4
4	XiaomiMiMo	3
5	deepseek^广告-ai	3
6	MiniMaxAI	2
7	moonshotai	2
8	ornith-ai	2
9	Edge0	1
10	KDLAI	1

FINAL-Bench 以 11 个第一名遥遥领先，这一数字本身需要谨慎解读。原文在末尾做了披露：QuantID 是 VIDRAFT 的技术合作伙伴，而 FINAL-Bench 正是 VIDRAFT 旗下的组织，且出现在这些排名中。因此这一领先地位应当结合利益披露来看待，而非直接等同于绝对的技术优势。

排名第二梯队的是 inclusionAI 与 zai-org，各拿下 4 个第一。说个细节，这两个组织的第一名分布在不同类型的任务上——inclusionAI 的 Ling-3.1-flash 集中在软件工程与技能类基准，zai-org 的 GLM 系列则覆盖研究、规避与中文评测等场景。

各关键领域的榜首模型

在核心能力基准上，几个模型的表现尤其值得关注。

知识与推理

MMLU-Pro（142 条记录，是记录数最多的榜单之一）的榜首是 FINAL-Bench/Darwin-180B-RSI，得分 88.12；gpqa 的榜首同样由它拿下，得分 94.44。而在更难的 hle 基准上，deepseek-ai/DeepSeek-V4.1-Flash 以 63.9 分登顶。

数学类基准则出现了满分：aime_2026 与 hmmt_feb_2026 上，Darwin-180B-RSI 均拿到 100 分；gsm8k 的榜首是 XiaomiMiMo/MiMo-V2.5-Pro，得分 99.6。这类接近或达到饱和的分数，说明传统数学基准对当前模型的区分度正在快速下降。

基准饱和（benchmark saturation）：当多个模型在某个基准上接近或达到满分时，该基准对模型能力的区分度会急剧下降，这种现象称为基准饱和。aime_2026 与 hmmt_feb_2026 出现 100 分、gsm8k 达到 99.6，正是饱和的典型信号。饱和并不意味着模型已经“解决”了该领域的所有问题，而是说明基准的题目难度分布已无法覆盖当前模型的能力上限。此时，社区通常会转向更难、更新或更贴近真实场景的基准（如 hle、gpqa 等），以恢复区分度。理解饱和有助于避免误读高分：满分更多反映基准的天花板，而非模型的绝对能力边界。

软件工程与终端任务

SWE-bench_Verified 的榜首是 ornith-ai/Ornith-1.5-397B，得分 86；SWE-bench_Pro 由 inclusionAI/Ling-3.1-flash 以 68.74 分拿下，同一模型还在 SWE-bench_Multilingual（88.5 分）和 skillsbench（68.7 分）上排名第一，展现出跨语言、跨任务的稳定性。

终端类基准的竞争更为分散：terminal-bench-2.0 的榜首是 mindlab-research/Macaron-V1-Venti（87.6），terminal-bench-2.1 属于 DeepSeek-V4.1-Flash（90.6），而基础版 terminal-bench 由 Ling-3.1-flash 以 46.03 分领先。

多模态、语音与文档解析

视觉与多模态方向，MMMU_Pro 由 Darwin-180B-RSI 以 79.48 分登顶，ScreenSpot-Pro 的榜首是 meta-models/Muse-Glimmer-30B（75.4）。语音方面，open-asr-leaderboard 的第一是 Edge0/ARK-ASR-3B，得分 4.76（该榜单指标为越低越好）。

文档解析是另一个竞争激烈的细分赛道：ParseBench 由 KDLAI/KDL-Frontier-Parser-nano 以 76.36 分领先，olmOCR-bench 属于 infly/Infinity-Parser2-Pro（87.6），Real5-OmniDocBench 则由 PaddlePaddle/PaddleOCR-VL-1.6 拿下 93.19 分。

智能体与长任务

智能体类基准的第一名分布较为零散：apex-agents 由 moonshotai/Kimi-K3 领跑（41 分），Long-Horizon-Terminal-Bench 同样是 Kimi-K3（6 分），agents-last-exam 属于 XiaomiMiMo/MiMo-V2.6-Pro-RL（31.6），Toolathlon 则由同系列升级版 MiMo-V2.6-Pro-RL 以 76.9 分拿下。

如何正确解读这些数字

原文给出了两个关键的阅读提示，任何引用这份榜单的分析都应带上这两条。

第一，绝大多数榜单记录由模型作者自行上报，且不同提交之间的评测设置并不统一——采样方式、投票策略、思考预算等都可能不同。只有 Hugging Face 明确标记的条目才是「已验证」（verified）。这意味着跨模型的分数对比存在天然的不确定性。

第二，第一名并列时，每个并列组织都会被计入次数统计。因此「第一名次数」反映的是登顶广度，而非严格的能力排序。

加上前文提到的利益披露——发布方 QuantID 与榜首组织 FINAL-Bench 存在合作关系，且原文明确声明「这不是一次独立评测」——这份快照更适合被当作一份公开数据的索引，而不是权威排名。

自行上报（self-reported）与已验证（verified）的区别：在基准排行榜中，自行上报指模型作者或组织主动向榜单提交分数与配置，平台通常不强制复核；已验证则意味着平台（如 Hugging Face）对提交内容进行了某种形式的核查，例如确认评测脚本、数据划分或运行环境。两者混排时，读者容易把不同可信度的数字放在同一尺度上比较。理解这一点，才能明白为何原文强调“只有被标记的条目才算已验证”——未标记的分数应视为作者声明，而非独立复现的结果。

评测设置不统一的具体含义：采样方式（贪心解码 vs. 多次采样投票）、投票策略（多数投票、加权投票）、思考预算（允许模型在推理阶段消耗的 token 或计算量）等都会显著影响最终分数。例如，允许更长思考预算的模型在数学或推理基准上可能获得更高分，但这并不直接等价于模型本身能力更强。跨模型对比时，若这些配置未对齐，分数差异可能部分来自评测协议而非模型能力。

这份基线图的意义

观察这 49 个榜单的第一名分布，有几个趋势值得留意。

专有名词密集的「小榜单」（记录数在 10 条以下）占了接近一半，说明官方基准生态正在快速碎片化，新基准不断出现，但参与度尚不均衡。例如 arguana 只有 3 条记录、vlabench 和 BRIGHT 各只有 1 条。

话说回来，中国背景的模型组织在这份基线中占据了绝大多数头部位置——inclusionAI、zai-org、XiaomiMiMo、deepseek-ai、MiniMaxAI、moonshotai 合计拿下了 18 个第一名。这一分布与近年来开源模型在 Hugging Face 生态中的活跃度相符。

后续更新的价值在于变化。当模型迭代、新条目涌入、榜首易主时，这份基线将成为判断「谁在真正进步」的参照点。在此之前，读者应把每个分数都视为带上下文的自我上报数据，而非绝对的能力证明。