LiveBench：跨推理、编程、数学等类别的模型评测基准

LiveBench 聚合了推理、编程、数学、数据分析和语言等类别的任务，每次发布固定任务集与评判标准，从而支持同类对比并反映用户需求与提示词风格的变化。结果通常汇总为类别分数和总分。由于任务多样且频繁更新，LiveBench 适合长期追踪模型的实际效用与性能回退风险。