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
GPT-oss-120B(high)	80.8%	Self-Reported
Llama4-Maverick	80.5%	Self-Reported
GPT-o1-mini	80.3%	Self-Reported
Doubao-1.5-Pro	80.1%	Self-Reported
MiniMax-M2.5	80.1%	Self-Reported
Grok3-Beta	79.9%	Self-Reported
GPT-o3-mini	79.4%	Self-Reported
Gemini-2.0-Pro	79.1%	Self-Reported
Qwen3.5-4B	79.1%	Self-Reported
HunyuanTurboS	79.0%	Self-Reported
Grok3-mini-Beta	78.9%	Self-Reported
Qwen3-30B-A3B-Thinking	78.5%	Self-Reported
ERNIE-4.5-300B-A47B	78.4%	Self-Reported
Nemotron-3-Nano-30B-A3B(BF16)	78.3%	Self-Reported
Nemotron-3-Nano-30B-A3B(FP8)	78.1%	Self-Reported
Claude-3.5-Sonnet (2024-10-22)	78.0%	Self-Reported
GPT-4o (2024-11-20)	77.9%	Self-Reported
Claude-3.5-Sonnet (2024-10-22)	77.6%	TIGER-LAb
Gemini-2.0-Flash	77.6%	Self-Reported
Gemini-2.0-Flash-exp	76.2%	TIGER-Lab

Claude-3.5-Sonnet (2024-10-22)

数据提供方：TIGER-LAb · 参数规模：未披露／来源未提供

总正确率: 77.6%
数学: 81.0%
计算机知识: 82.4%
物理: 77.3%
化学: 78.5%
生物: 88.6%
工程: 61.3%
经济: 85.9%
商业: 81.4%
健康: 76.9%
心理: 84.6%
法律: 64.6%
历史: 73.8%
哲学: 76.8%
其他: 80.2%

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