SEAL LLM Leaderboard

SEAL LLM Leaderboard 是 Scale AI 旗下 Scale Labs 推出的 AI 模型评测榜单集合，定位是「测试 AI 的极限」。与纯自动打分的基准不同，它强调专家驱动：由领域专家设计并标注评测任务，降低自动基准容易出现的「刷分」问题。目前收录 20 多个基准、评测 100 多个模型，覆盖智能体编程、前沿推理与安全对齐等方向，模型来源包括 OpenAI、Anthropic、Google、Meta 等主流实验室与开源贡献者。

核心能力

• 专家驱动出题：基准任务由领域专家策划与标注，例如 DrugDiscoveryBench 包含 82 个专家策划任务，评估前沿编码智能体执行早期药物发现计算工作的可靠性。
• 智能体编程评测：覆盖 SWE-Bench Pro（分公开与私有数据集）、SWE Atlas（重构、写测试、代码库问答）等面向真实代码库的基准，检验编码智能体的落地能力。
• 前沿推理基准：收录 Humanity's Last Exam 等高难度通用推理测试，探索模型能力边界。
• 专业领域基准：设有金融、法律的专业推理基准，以及药物发现等垂直方向任务，贴近行业真实需求。
• 智能体与安全方向：包含 HiL-Bench（人在回路基准）、MCP Atlas、SciPredict 等智能体相关评测，以及安全对齐（Safety）方向的能力验证。
• 音频多模态：AudioMultiChallenge 覆盖音频多轮对话与音频输出能力。

适合谁

需要为自己的场景挑选模型的技术团队与架构师；需要引用权威基准数据支撑选型报告的工程师与分析师；以及关注前沿模型真实能力边界的研究者。榜单按 All / Agentic / Safety / Frontier 分档浏览，可快速定位到关心的能力维度。

使用建议

榜单基准多、数据量大，建议先按自己关心的能力维度（如智能体编程或专业推理）筛选，再看具体名次；同款基准常有公开数据集与私有数据集两个版本，两者分数差异本身也是重要信息，能反映模型的泛化与鲁棒性。涉及具体选型时，把榜单当缩小候选范围的工具，再结合自己的真实任务做一轮小规模验证。

注意事项

榜单分数与具体模型版本、评测环境绑定，引用时需注明基准版本与评测时间；专家基准覆盖的任务类型有限，不能代表全部使用场景，尤其长尾与垂直场景需要单独验证；部分基准有公开与私有两套数据，公开榜上的分数可能高于私有数据表现，参考时留意数据来源；榜单由 Scale Labs 维护，评测方法与入选模型以官网为准。