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
Seed-OSS-36B-Base(w/ syn.)	65.1%	Self-Reported
Reka 3	65.0%	Self-Reported
Qwen2-72B-Chat	64.4%	TIGER-Lab
Gemini-1.5-Flash-002	64.1%	TIGER-Lab
magnum-72b-v1	63.9%	TIGER-Lab
GPT-4-Turbo	63.7%	TIGER-Lab
Qwen2.5-14B	63.7%	Self-Reported
DeepSeek-Coder-V2-Instruct	63.6%	TIGER-Lab
Higgs-Llama-3-70B	63.2%	Self-Reported
GPT-4o-mini	63.1%	TIGER-Lab
azerogpt	63.1%	Self-Reported
Llama-3.1-70B-Instruct	62.8%	TIGER-Lab
Llama-3.1-Nemotron-70B-Instruct-HF	62.8%	TIGER-Lab
Yi-Lightning	62.4%	TIGER-Lab
Claude-3-5-Haiku-20241022	62.1%	TIGER-Lab
RRD2.5-9B	61.8%	Self-Reported
Qwen3-30B-A3B-Base	61.7%	Self-Reported
Llama-3.1-405B	61.6%	Self-Reported
Gemma-3-12B-it	60.6%	Self-Reported
Nemotron-H-56B-Base	60.5%	Self-Reported

Llama-3.1-70B-Instruct

数据提供方：TIGER-Lab · 参数规模：70 B

总正确率: 62.8%
数学: 60.5%
计算机知识: 66.3%
物理: 59.1%
化学: 59.1%
生物: 81.2%
工程: 45.8%
经济: 75.2%
商业: 66.4%
健康: 68.5%
心理: 75.6%
法律: 47.0%
历史: 66.1%
哲学: 61.7%
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