指令遵循
越高越好
SQBench
沙丘社区是中国领先的AI研究与评测机构。SQBench聚焦大模型在真实业务场景中的实战表现,围绕任务交付、风险边界与成本效率等维度,为模型选型、能力对比和部署决策提供参考依据。
Leaderboard
基于 SQBench 实战任务结果排序,展示模型在真实业务场景中的综合表现。
Models
展示模型在 SQBench 实战任务中的总体表现、完成质量与风险影响。
基于任务通过情况衡量模型在真实业务任务中的稳定交付表现,越高表示可稳定完成的任务比例越高。
推理模型以此图标标识
实战能力采用任务通过口径计算,强调模型在标准评测条件下稳定达标的能力;最终表现分和任务完成分保留连续得分,用于辅助分析任务完成质量与风险影响。
按开源/闭源展示模型实战能力,用于观察不同开放属性模型的表现分布。
推理模型以此图标标识
Capability
从基础执行、复合工作流和业务场景三个层面,比较模型在不同类型实战任务中的表现。
评估模型在基础认知、指令执行、长上下文推理、代码逻辑和边界处理中的稳定性。
越高越好
越高越好
越高越好
越高越好
推理模型以此图标标识
Safety & Reliability
对比模型在任务执行中的可靠性、风险控制和幻觉相关表现。
未触发风险扣分的任务比例,越高表示执行过程越稳定。
推理模型以此图标标识
Cost Efficiency
展示模型完成 SQBench 实战任务所需的评测成本、完成耗时和 Token 消耗,用于辅助判断规模化使用成本。
完成本次评测产生的模型 API 成本,越低表示调用成本越低。
推理模型以此图标标识
Value
对比模型实战能力与可靠度、评测成本、完成耗时和 Token 消耗,辅助判断不同模型的部署价值。
对比模型的任务交付表现与风险稳定性,右上区域更优。
推理模型以此图标标识
Price
展示模型公开调用单价,用于理解不同模型的基础计费差异;实际评测成本以成本效率部分为准。
展示每百万 Token 的输入、输出和缓存单价,越低越好。
推理模型以此图标标识