加载中...
加载中...
通用人工智能（AGI）的进步需要可靠的评估基准。GPQA (Grade-Level Problems in Question Answering) Diamond 基准旨在衡量模型在需要深度推理和领域专业知识问题上的能力。该基准由纽约大学、CohereAI 及 Anthropic 的研究人员联合发布，其相关论文可在 arXiv 上查阅 (https://arxiv.org/pdf/2311.12022 )。GPQA Diamond是GPQA系列中最高质量的评测数据，包含198条结果。
GPQA Diamond 旨在提供一个全面的框架，能够测试模型在多种推理场景下的能力，并推动大模型在更加复杂任务上的改进。
数据来源：DataLearnerAI
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.4 Pro思考模式 High（无工具） | 94.4 | 2026-03-05 | 未知 |
| 2 | Gemini 3.1 Pro Preview思考模式 High（无工具） | 94.3 | 2026-02-20 | 未知 |
| 3 | GPT-5.2深度思考（无工具、并行） | 93.2 | 2025-12-11 | 未知 |
| 4 | GPT-5.2 Prothinking | 93.2 | 2025-12-11 | 未知 |
| 5 | GPT-5.4极高强度思考（无工具） | 92.8 | 2026-03-05 | 未知 |
| 6 | GPT-5.2极高强度思考（无工具） | 92.4 | 2025-12-11 | 未知 |
| 7 | Gemini 3.0 Pro (Preview 11-2025)thinking | 91.9 | 2025-11-18 | 未知 |
| 8 | Claude Opus 4.6扩展（无工具） | 91.31 | 2026-02-05 | 未知 |
| 9 | 91 | 2025-11-18 | 未知 | |
| 10 | Gemini 3.0 Flashthinking | 90.4 | 2025-12-17 | 未知 |
| 11 | Claude Sonnet 4.6thinking | 89.9 | 2026-02-17 | 未知 |
| 12 | GPT-5-Prothinking + 使用工具 | 89.4 | 2025-08-07 | 未知 |
| 13 | GPT-5-Prothinking | 88.4 | 2025-08-07 | 未知 |
| 14 | Qwen3.5-397B-A17Bthinking | 88.4 | 2026-02-16 | 397 |
| 15 | Qwen3.5-397B-A17B思考模式（无工具） | 88.4 | 2026-02-16 | 397 |
| 16 | GPT-5.1thinking | 88.1 | 2025-11-12 | 未知 |
| 17 | GPT-5.1high | 88.1 | 2025-11-12 | 未知 |
| 18 | GPT-5.1思考模式 High（无工具） | 88.1 | 2025-11-12 | 未知 |
| 19 | GPT-5.4 mini极高强度思考（无工具） | 88 | 2026-03-17 | 未知 |
| 20 | Kimi K2.5thinking | 87.6 | 2026-01-27 | 10000 |
| 21 | Qwen3-Max-Thinkingthinking | 87.4 | 2026-01-26 | 10000 |
| 22 | GPT-5thinking + 使用工具 | 87.3 | 2025-08-07 | 未知 |
| 23 | Grok 4thinking | 87 | 2025-07-10 | 未知 |
| 24 | Claude Opus 4.5thinking | 87 | 2025-11-25 | 未知 |
| 25 | Gemini 2.5-Prothinking | 86.4 | 2025-06-05 | 未知 |
| 26 | GLM-5thinking | 86 | 2026-02-11 | 7440 |
| 27 | GPT-5high | 85.7 | 2025-08-07 | 未知 |
| 28 | Grok 4 Fastthinking | 85.7 | 2025-09-19 | 未知 |