为什么重要
1024 道来自真实用户的高难度任务，覆盖 12 个类别。与 Arena-Hard 互补。
构建方式与示例
从 ShareGPT 筛选难题。每个类别独立评分：编码/数学/写作/推理/数据分析等。
关联基准与展望
关联：Arena-Hard、AlpacaEval。
返回评测
数据 评测-框架
模态 · 文本
任务 · 排序 / 偏好比较
WildBench
1,024 道来自真实用户的高难度任务
Allen AI ·
考察能力
复杂指令 创意写作 推理
构建信息
- 数据规模
- 1,024 tasks
- 评测方式
- 标准评测
- 核心指标
- WB-Score
资源链接
模型效果排行
🥇 GPT-5
67.2
🥈 Claude Opus 4
65.8
对话质量 真实用户