返回近期模型评测

历史专项测试

历史数据存档。查看近期模型，请返回模型能力评测。

知识与推理 · MMLU-Pro

记录保留原模型配置与数据提供方；计算机知识分项衡量知识，不是代码项目完成率。

数据更新：2026/03/11接入核查：2026/10/10262 条来源记录原始数据 · Apache-2.0

262 条 · 按总正确率降序缺测记为 —

总正确率成绩，按该分项排序
模型／配置	总正确率	数据提供方
Qwen3.5-122B-A10B	86.7%	Self-Reported
Seed1.6-Base	86.6%	Self-Reported
Seed1.6-Thinking	86.6%	Self-Reported
GPT-5.1	86.4%	Self-Reported
Seed1.6-Ada-Thinking	86.4%	Self-Reported
Gemini-3.1-Flash-Lite-Preview	86.2%	Self-Reported
GPT-4.5	86.1%	Self-Reported
Qwen3.5-27B	86.1%	Self-Reported
Gemini-2.5-Pro	86.0%	Self-Reported
GLM-5	86.0%	Self-Reported
Qwen3-Max-Thinking	85.7%	Self-Reported
Qwen3.5-35B-A3B	85.3%	Self-Reported
DeepSeek-V3.2-Thinking	85.0%	Self-Reported
GPT-o3-high	85.0%	Self-Reported
DeepSeek-V3.1-Thinking	84.8%	Self-Reported
GLM-4.5	84.6%	Self-Reported
Gemini-2.5-Pro-Exp-03-25	84.5%	TIGER-Lab
Qwen3-235B-A22B-Thinking-2507	84.5%	Self-Reported
Grok-4.1-Fast(Reasoning)	84.2%	Self-Reported
Claude-3.7-Sonnet-Thinking	84.0%	Self-Reported

Gemini-2.5-Pro-Exp-03-25

数据提供方：TIGER-Lab · 参数规模：未披露／来源未提供

总正确率: 84.5%
数学: 88.8%
计算机知识: 85.6%
物理: 88.3%
化学: 87.4%
生物: 93.0%
工程: 73.6%
经济: 88.3%
商业: 89.3%
健康: 81.7%
心理: 87.3%
法律: 72.4%
历史: 75.5%
哲学: 83.3%
其他: 83.0%

查看该版本原始成绩文件

来源、版本与使用范围

数据版本：4623b7c68d2276218d487464b0608dc978f4b301

来源许可证：Apache-2.0。模型自身许可证与成绩文件许可证分别核对。本页未运行模型评测；不同来源或配置记录不合并，价格未提供。

固定版本数据文件