中文评测（C-Eval / CMMLU / SuperCLUE / OpenCompass / xbench）

构成

• 学术题集：C-Eval 13,948 题、CMMLU 11,528 题；被 DeepSeek-V3 与 Qwen2.5 技术报告引用。C-Eval 为 52 个学科的选择题（arXiv 2305.08322，2023-05-15）；CMMLU 覆盖 67 个主题（arXiv 2306.09212，2023-06-15）；题数与学科数与论文一致。
• 公共评测平台：司南 OpenCompass（上海 AI Lab，“70+ 数据集 / 约 40 万题”为常见转述，官方页面未能直接核对且随版本变化 ⚠️）、智源 FlagEval（“90+ 数据集 / 200 万+ 题 / 800+ 模型”为智源 2024-12 “百模”评测发布时的统计，之后规模可能已变）、SuperCLUE、CLUE（均为非商业公共基础设施，整理口径）。
• 资本方与数据商榜单：xbench（2025-05 由红杉中国（现 HSG）发起；ScienceQA / DeepSearch / AgentIF / BabyVision，其中 BabyVision 与 UniPat AI 合作，含 388 道视觉题）；UniPat AI（Monthly-SWEBench、SaaS-Bench 106 任务等）、Humanlaya（壤智能）（One-Million Bench 400 题，arXiv 2603.07980；BiomniBench 为 xbench、Phylo 与 Humanlaya 联合的生物医药过程级评测，“100”指参与专家 100 位而非任务数）。

采信度

数据商榜单几乎查不到被第三方模型公司技术报告采信（如 Qwen3-Coder-Next 技术报告 2026-03 未引用任何 UniPat benchmark，该断言未复核 ⚠️）；学术题集与公共平台才是技术报告的常客。

来源

1. https://arxiv.org/abs/2305.08322 (2026-10-15)
2. https://arxiv.org/abs/2306.09212 (2026-10-15)
3. https://opencompass.org.cn (未复核，2026-10-15)