Hugging Face官方榜单日更：49个基准，SoMarkAI视觉解析登顶

Hugging Face官方基准榜单快照

Hugging Face 的官方基准榜单生态正在快速膨胀。根据 QuantID 维护的榜单地图最新快照，截至 2026-10-20（KST），平台已聚合 49 个官方基准（official benchmark），累计收录 1,107 条榜单成绩。这个数字本身比任何单一模型的名次都更值得关注：它说明社区对「可复现、可对比」的评测需求，已经从少数几个明星榜单扩散到了覆盖 OCR、Agent、代码、法律、语音等细分领域的矩阵式结构。

需要先说明榜单的读法：绝大多数成绩由模型作者自行提交，采样参数、投票策略、思考预算等评测设置各不相同，只有 Hugging Face 官方标记的条目才属于 verified。因此下面的排名更适合看作「社区公开自报成绩的聚合视图」，而非独立第三方评测。

本期最大变动：olmOCR-bench 换王

过去一天的核心变化集中在文档解析赛道。SoMarkAI 的 OXR-1.0 以 87.84 分登上 olmOCR-bench 榜首，取代了此前的 infly/Infinity-Parser2-Pro。该榜单当前有 22 条成绩记录，是 OCR 方向竞争最集中的阵地之一。

同期全站新增 5 条榜单成绩，分布在不同基准上，增量不大，但榜首易主往往意味着新一轮提交潮的开始。文档解析是过去一年落地需求最旺的方向之一——发票、合同、扫描件、多语言表格的结构化抽取都依赖这类能力，榜单名次的商业含义比纯学术基准更直接。

olmOCR-bench 是由 Allen Institute for AI（AI2）推出的文档解析评测基准，源自其开源 OCR 模型 olmOCR 的配套评估体系。它针对真实 PDF 场景设计，覆盖表格、公式、多栏排版、页眉页脚、手写体等难点单元，并要求模型输出结构化文本（如 Markdown），再通过规范化后的编辑距离、表格 TEDS 等指标打分。与传统 OCR 只看字符识别率不同，olmOCR-bench 更强调版面还原与阅读顺序，因此能更贴近 RAG、文档问答等下游任务的真实需求；这也是它成为文档解析赛道核心擂台的原因。

组织榜：FINAL-Bench 以 11 个榜首断层领先

按「占据多少个榜单第一」统计，第一名与其余组织拉开了明显差距：

排名	组织	榜首数
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

FINAL-Bench 的 11 个榜首由其 Darwin-180B-RSI 系列模型贡献，覆盖 MMLU-Pro（88.12）、gpqa（94.44）、MMMU_Pro（79.48）、LEXam 系列、hmmt_feb_2026（100 分）等多个方向。这里必须提一句原文的披露：FINAL-Bench 与榜单维护方 QuantID 存在技术合作伙伴关系，其母公司 VIDRAFT 出现在排名中，因此这份日报并非独立评测，读者对相关名次应保留一分审慎。

紧随其后的 inclusionAI 与 zai-org 各拿 4 个榜首，前者靠 Ling-3.1-flash 在 SWE-bench_Pro（68.74）、SWE-bench_Multilingual（88.5）和 skillsbench（68.7）上多点开花，后者则由 GLM 系列在 ResearchClawBench、EvasionBench、chi-bench 等细分评测上占位。

各赛道头部模型一览

把 49 个榜单按能力域拆开看，头部格局会更清晰。

通用知识与推理

MMLU-Pro 与 gpqa 双双由 FINAL-Bench/Darwin-180B-RSI 领跑，aime_2026 与 hmmt_feb_2026 则拿到 100 分满分（这两个数学基准的记录数分别为 27 和 20，样本池尚小，满分的说服力有限）。hle 基准上 deepseek-ai/DeepSeek-V4.1-Flash 以 63.9 分居首，这个分数本身说明高难度推理集仍是硬骨头。

代码与终端 Agent

SWE-bench_Verified 由 ornith-ai/Ornith-1.5-397B 以 86 分拿下，SWE-bench_Pro 归 inclusionAI/Ling-3.1-flash（68.74）。终端类基准出现分歧：terminal-bench-2.0 榜首是 mindlab-research/Macaron-V1-Venti（87.6），而 terminal-bench-2.1 与 deep-swe 都由 DeepSeek-V4.1-Flash 领先。同一能力域不同版本榜单给出不同赢家，恰恰暴露了评测版本差异对结论的影响。

多模态、语音与垂直领域

ScreenSpot-Pro 由 meta-models/Muse-Glimmer-30B 以 75.4 分领跑 GUI 定位任务；Real5-OmniDocBench 上 PaddlePaddle/PaddleOCR-VL-1.6 拿到 93.19；语音方向 Edge0/ARK-ASR-3B 在 open-asr-leaderboard 以 4.76 的 WER 居首。法律垂直基准 LEXam-hard 的头部成绩仅 45.72，是全表最低的绝对分数之一，说明专业领域仍是模型短板。

另有几个读数需要留意：yc-bench 榜首成绩为 2,100,000，ResearchClawBench 为 20.709230769230768，这类未经归一化的原始分不建议跨榜单横向比较。

SWE-bench 系列值得单独说明其版本差异。SWE-bench_Verified 是从原始 SWE-bench 中人工筛选出的 500 个高质量 GitHub issue 子集，剔除了描述不清或测试不可靠的样本，因而成为代码修复方向引用最广的基准；SWE-bench_Pro 则面向更复杂的多文件、长链路工程任务，难度明显更高。类似的还有 terminal-bench 的 2.0 与 2.1 版本：同一能力域的不同版本在任务集、评分脚本或环境配置上存在差异，排名不可直接互换，这解释了为何会出现「同一能力、不同赢家」的现象。

WER（Word Error Rate，词错误率）是语音识别最常用的评价指标，计算方式为（替换词数 + 删除词数 + 插入词数）除以参考文本总词数，数值越低越好。它直接反映转写结果与人工标注文本的偏差，但对同音异形、标点与数字格式较敏感，因此不同榜单在文本规范化上的处理差异会影响可比性。open-asr-leaderboard 以 WER 为主指标，4.76 的成绩意味着每 100 个词中约有 4.76 个词存在错误，已是相当强的开源水平。

这份日报真正值得读的地方

单个名次会随提交波动，但结构性信号更稳定。第一，榜单数量已达 49 个，且长尾榜单（成绩数少于 10 条）占比不低，意味着大量细分方向刚进入「有人评测但样本不足」的阶段，早期提交的边际收益很高。第二，中国团队在组织榜前十中占据多数席位，DeepSeek、智谱（zai-org）、MiniMax、月之暗面、小米 MiMo、蚂蚁 inclusionAI 均有多个榜首，开源模型的竞争重心明显东移。第三，自报成绩的机制决定了榜单是「信号」而非「定论」——跨榜单、跨版本交叉验证，比盯着单一第一名更有价值。