INCLUDE

INCLUDE (Inclusive Benchmark) 由 AI2 等机构提出，旨在评测 LLM 在多样化和包容性场景下的表现。涵盖多语言、多文化背景和不同社会群体的知识，确保模型评估不偏向特定文化或语言群体。

多语言

#	模型		得分 (%)	厂商	来源
1	Gemini 2.5 Pro		85.1	Google	Qwen3 技术报告
2	OpenAI o1		84.6	OpenAI	Qwen3 技术报告
3	DeepSeek-R1		82.7	深度求索	Qwen3 技术报告
4	Qwen3-235B-A22B-Thinking-2507		81	阿里巴巴	Qwen3 2507 Hugging Face 模型卡
5	Llama 4 Maverick		80.9	Meta	Qwen3 技术报告
6	Qwen3-235B-A22B-Instruct-2507		79.5	阿里巴巴	Qwen3 2507 Hugging Face 模型卡
7	GPT-4o		78.8	OpenAI	Qwen3 技术报告
8	Qwen3-235B-A22B		78.7	阿里巴巴	Qwen3 技术报告
9	DeepSeek-V3		76.7	深度求索	Qwen3 技术报告
10	DeepSeek-V3 Base		75.17	深度求索	Qwen3 技术报告