DataLearner 标志

Qwen3-235B-A22B 评测详情

Qwen3-235B-A22B 当前已收录的代表性评测结果包括 GSM8K(2 / 70,得分 96.40)、MATH-500(7 / 45,得分 98)、MMLU(38 / 124,得分 85.80)。

评测结果

Qwen3-235B-A22B

评测结果

思考模式
工具使用

综合评估

共 7 项评测
评测名称 / 模式
得分
排名/总数
BBH
常规模式
88.87
8 / 21
MMLU
常规模式
85.80
38 / 124
MMLU Pro
常规模式
72.90
93 / 176
HLE
常规模式
7.60
427 / 563
HLE
常规模式
4.20
513 / 563
HLE
思考模式
11
377 / 563
ARC-AGI-1
常规模式
4.30
145 / 147

数学推理

共 7 项评测
评测名称 / 模式
得分
排名/总数
MATH-500
常规模式
96.20
19 / 45
MATH-500
思考模式
98
7 / 45
GSM8K
常规模式
96.40
2 / 70
AIME 2024
常规模式
85.70
20 / 62
AIME 2024
思考模式
85.70
20 / 62
AIME2025
常规模式
24.70
193 / 215
AIME2025
思考模式
81.50
92 / 215

阅读理解

共 1 项评测
评测名称 / 模式
得分
排名/总数
DROP
常规模式
88.70
5 / 9

科学与综合推理

共 2 项评测
评测名称 / 模式
得分
排名/总数
GPQA Diamond
常规模式
71.10
314 / 462
GPQA Diamond
思考模式
71.10
314 / 462

常识问答

共 1 项评测
评测名称 / 模式
得分
排名/总数
SimpleQA
常规模式
11
40 / 47

编程与软件工程

共 3 项评测
评测名称 / 模式
得分
排名/总数
LiveCodeBench
常规模式
70.70
86 / 250
LiveCodeBench
思考模式
70.70
86 / 250
SWE-bench Verified
常规模式
34.40
109 / 116

常识推理

共 1 项评测
评测名称 / 模式
得分
排名/总数
SimpleBench
思考模式
31
74 / 93

Agent能力评测

共 6 项评测
评测名称 / 模式
得分
排名/总数
Aider-Polyglot
常规模式
59.60
23 / 59
τ²-Bench
思考模式工具
34.40
42 / 44
τ²-Bench - Telecom
常规模式工具
27.20
222 / 264
τ²-Bench - Telecom
思考模式工具
24
233 / 264
Terminal Bench Hard
常规模式工具
6.10
204 / 244
Terminal Bench Hard
思考模式工具
6.10
204 / 244

指令跟随

共 2 项评测
评测名称 / 模式
得分
排名/总数
IF Bench
常规模式
36.60
237 / 282
IF Bench
思考模式
38.70
227 / 282