它们沿着一条能力纵深递进：
Arena 系列（arena.ai / LMArena）：用盲测人类偏好rank模型——
事实性榜（2026-07 新增，偏好+事实查核复合）、Expert（仅 5.5% 最难提示）、Occupational（23 个职业分类）。
胜在规模（6.8M+ 投票）与持续更新，弱在偏好≠事实。
AA-Omniscience（Artificial Analysis, 2025-11）：6,000 题/42 主题，惩罚幻觉、奖励"知之为不知"，测知识可靠性。
HLE（Humanity's Last Exam）（Scale AI / CAIS, 2025-01；Nature 2026-01）：~2,500 专家级、多模态、闭卷学术题，测前沿知识天花板。
LiveBench（Abacus.AI 等, 2024-06；ICLR'25 Spotlight）：每月换题、客观可验证、无 LLM 裁判，测抗污染综合能力。
ARC-AGI-3（Chollet / ARC Prize, 2026-03）：135 个交互式无指令小世界，测流体智能（面对全新任务的习得效率）。
贯穿线索：越往右，越刻意排除"记忆/检索/偏好迎合"这类捷径——Arena 靠真人、AA-Omniscience 靠惩罚猜测、HLE 靠不可搜索、
LiveBench 靠换题、ARC-AGI-3 靠无指令交互。难度与"对真实智能的区分度"同步上升。
ARENA Arena 事实性榜 (Factuality)
出身：arena.ai（原 LMSYS Chatbot Arena），2026-07-15 上线，文本/搜索竞技场新增"事实性"维。
方法：对真实对战回答抽取"原子化断言"，用搜索 agent 网络验证；复合 Bradley-Terry 模型，默认事实权重 25%（可调 0–100%）。
规模：标注 200 万+ 断言（文本 130 万+ / 搜索 70 万+），覆盖 ~13 万场文本对战。
关键发现：事实权重拉满时，OpenAI GPT / Grok 上升或持平，Claude / Gemini 下降或持平，Meta Muse Spark、百度 Ernie 大幅下跌。法律类最不 factual，数学类最准。
定位：补"偏好≠真相"的洞；不惩罚拒答，只罚"自信的错误"。
ARENA Arena Expert
出身：arena.ai，2025 推出，作为 Arena Hard 的"更难版"。
方法：用 LLM（DeepSeek-v3）零样本标记"专家级"提示——只看提示本身是否体现专家式推理与领域深度。
范围：仅占全部提示的 5.5%（Arena Hard 占 1/3）；Top-30 模型分差达 84（Overall 56、Hard 66），区分度最强。
结论：通用最强为 Gemini 2.5 Pro，其后 Claude Opus 4.1、o3、GPT-5；Claude Opus 4.1 / GPT-5 high / Qwen3 max 在 Expert 上显著上升，GPT-4o 显著下降。
ARENA Arena Occupational
出身：与 Expert 同期，源自美国 BLS 职业分类（SOC），适配 Arena 数据得 23 个职业类别。
覆盖：医学与健康、法律与政府、工程与建筑、数学、写作/文学/语言、哲学/宗教、商业等；捕捉真实任务的广度。
用法：按职业等权重重算 Bradley-Terry，找"最佳通才"；与 OpenAI GDPval 高度一致（无需真人专家标注即可近似）。
局限：基于 LLM 自动打标，比人工专家标注更噪；反映平台自然分布而非均衡采样。
OMNI AA-Omniscience
出身：Artificial Analysis，2025-11（arXiv 2511.13029）。
规模：6,000 题 / 42 主题 / 6 大域（商业、人文社科、健康、法律、软件工程、科工数学）；开源 10% 数据集。
评分：Omniscience Index（-100~+100）：正确 +1、错误 -1、拒答 0。奖励承认不确定、惩罚幻觉。
核心发现：除 3 个模型外，其余"幻觉多于正确"（Index<0）。首发最佳 Claude 4.1 Opus 仅 +4.8；2026 实时榜 Gemini 3.1 Pro +33、Claude Opus 4.8 +27、GPT-5.5 +20 居前。Anthropic 靠"低幻觉率"领先，OpenAI/xAI 靠"高准确率"领先。
HLE Humanity's Last Exam
出身：Scale AI + CAIS，2025-01（arXiv 2501.14249）；2026-01 登 Nature（"专家级学术问题基准"）。1,000+ 作者，50 万美元奖金。
规模：~2,500 题，100+ 学科，多模态（含图表/铭文/化学结构），单答案、不可搜索、需真专家。
评分：Accuracy（o3-mini 评判）+ 校准误差（confidence 是否匹配真实正确率）。
成绩：GPT-4o 2.7%(2025-01) → GPT-5.4 Pro 44.3%(2026-03) → Claude Opus 4.7 46.9%(2026-05, no-tools)。带工具更高（Mythos Preview 64.7%）。人类专家~90%、普通人 5–10%。未饱和但快速逼近。
LIVE LiveBench
出身：Abacus.AI + NYU + NVIDIA + UMD + USC（含 Yann LeCun），2024-06；ICLR'25 Spotlight。
规模：23 任务 / 7 类（推理、编码、Agentic 编码、数学、数据分析、语言、指令遵循）；每 6 个月整体刷新，~1/6 月更、近期题延迟公开。
方法：题源自近期数学竞赛/arXiv/新闻/数据集；客观可验证、无 LLM 裁判、无人工——直接对抗污染。
成绩：首发顶级 <65%；2026-01-08 版龙头 GPT-5.4 Thinking xHigh ~80.3%。未饱和，但已明显高于早期。
ARC ARC-AGI-3
出身：François Chollet + ARC Prize Foundation，2026-03-24（arXiv 2603.24621）；Kaggle $200 万奖。
形态：135 个交互式小世界（64×64 网格、16 色、极小动作空间），无指令、无目标说明、无语言；需探索→建模→自定目标→规划执行。
评分：RHAE（相对人类动作效率）：(人动作/AI动作)²，暴力摸索被平方惩罚；≥5×人类步数直接终止。
成绩：人类 100% 首试通过（中位 7.4 分钟）；前沿模型 Gemini 3.1 Pro 0.37%、GPT-5.4 0.26%、Claude Opus 4.6 0.25%、Grok 4.20 0.00%。Duke 自建脚手架下 TR87 达 97.1%，陌生环境 0%——"智能在脚手架，不在模型"。几乎未饱和。
*Arena 事实性为 ELO 分（默认含 25% 事实权重，可调），与其余"准确率/指数"量纲不同，仅列作参照。各"龙头成绩"来自不同日期与机构，绝对值不可横比。