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
Claude-3.5-Sonnet (2024-06-20)	76.1%	TIGER-Lab
Qwen2.5-Max	76.1%	Self-Reported
Phi-4-reasoning-plus	76.0%	Self-Reported
Deepseek-V3	75.9%	Self-Reported
MiniMax-Text-01	75.7%	Self-Reported
Grok-2	75.5%	Self-Reported
Grok-4.1-Fast(Non-Reasoning)	75.2%	Self-Reported
GPT-4o (2024-08-06)	74.7%	TIGER-Lab
Llama4-Scout	74.3%	Self-Reported
Phi-4-reasoning	74.3%	Self-Reported
GPT-oss-20B(high)	73.6%	Self-Reported
Llama-3.1-405B-Instruct	73.3%	Self-Reported
GPT-oss-20B(medium)	73.1%	TIGER-Lab
Athene-V2-Chat (0-shot)	73.1%	TIGER-Lab
GPT-4o (2024-05-13)	72.5%	TIGER-Lab
Grok-2-mini	71.9%	Self-Reported
Gemini-2.0-Flash-Lite	71.6%	Self-Reported
Qwen2.5-72B	71.6%	Self-Reported
ECHO_Ego_v2_14B	71.2%	Self-Reported
QwQ-32B-Preview	71.0%	Self-Reported

GPT-oss-20B(medium)

数据提供方：TIGER-Lab · 参数规模：20 B

总正确率: 73.1%
数学: 91.5%
计算机知识: 82.4%
物理: 83.1%
化学: 80.8%
生物: 85.4%
工程: 56.4%
经济: 80.6%
商业: 80.0%
健康: 73.5%
心理: 73.7%
法律: 39.8%
历史: 59.6%
哲学: 59.9%
其他: 66.0%

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