阿里团队提出BHI指数，为158个评测基准做健康度排序

阿里数据团队提出基准健康指数（BHI），基于117个模型的技术报告筛选出158个大模型评测基准，从能力区分度、抗饱和度和影响力三个维度评估这些基准是否仍能有效区分模型。相关论文已被NeurIPS 2026 Evaluations and Datasets Track（Oral）接收，是该赛道15篇Oral论文之一。 在BHI排序中，Humanity's Last Exam（HLE）以67.05分位列第一，Agents' Last Exam和AutomationBench分别以53.08、52.68分位列第二、第三。团队称BHI更适合作为筛选和复核评测基准的依据，并将随新模型、新评测基准的出现持续更新。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。