MT-Bench

80 个多轮问题涵盖 8 个领域，由 GPT-4 自动评分，是早期对话评测的经典

LMSYS (UC Berkeley) · 2023年6月1日

多轮对话写作推理数学角色扮演

🥇 GPT-5

9.6

🥈 Claude Opus 4

9.4

🥉 GPT-4o

9.0

为什么重要

MT-Bench 是早期的 80 题多轮对话基准。Arena-Hard 是其精神继承者，区分度更好。

80 题 × 2 轮。例如第一轮：“写一个排序算法”→第二轮：“改成并行版本”。

关联：Arena-Hard、Chatbot Arena。区分度已不足。

多轮对话 LLM Judge 对话质量