加载中...
加载中...
近年来，大语言模型（LLM）的能力飞速提升，但评测基准的发展却显得滞后。以广泛使用的MMLU（大规模多任务语言理解）为例，GPT-4、Claude等前沿模型已能在其90%以上的问题上取得高分。这种“评测饱和”现象导致研究者难以精准衡量模型在尖端知识领域的真实能力。为此，Safety for AI和Scale AI的研究人员推出了Humanity’s Last Exam大模型评测基准。这是一个全新的评测基准，旨在成为大模型“闭卷学术评测的终极考验”。
研究生水平以上的超高难度、覆盖超多学科的大模型评测基准
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | Kimi K2.5thinking + 使用工具 | 50.2 | 2026-01-27 | 10000 |
| 2 | GPT-5.2 Prothinking + 使用工具 | 50 | 2025-12-11 | 未知 |
| 3 | Qwen3-Max-Thinkingthinking + 使用工具 | 49.8 | 2026-01-26 | 10000 |
| 4 | GPT-5.2thinking + 使用工具 | 45.5 | 2025-12-11 | 未知 |
| 5 | Kimi K2 Thinkingthinking + 使用工具 | 44.9 | 2025-11-06 | 10400 |
| 6 | Gemini 3.0 Flashthinking + 使用工具 | 43.5 | 2025-12-17 | 未知 |
| 7 | Claude Opus 4.5thinking + 使用工具 | 43.2 | 2025-11-25 | 未知 |
| 8 | GLM-4.7thinking + 使用工具 | 42.8 | 2025-12-22 | 3580 |
| 9 | GPT-5-Prothinking + 使用工具 | 42 | 2025-08-07 | 未知 |
| 10 | Grok 4thinking + 使用工具+联网 | 38.6 | 2025-07-10 | 未知 |
| 11 | Grok 4thinking + 使用工具 | 38.6 | 2025-07-10 | 未知 |
| 12 | Gemini 3.0 Pro (Preview 11-2025)thinking | 37.5 | 2025-11-18 | 未知 |
| 13 | GPT-5.2 Prothinking | 36.6 | 2025-12-11 | 未知 |
| 14 | GPT-5thinking + 使用工具 | 35.2 | 2025-08-07 | 未知 |
| 15 | Gemini 2.5 Deep Thinkdeeper thinking | 34.8 | 2025-08-01 | 未知 |
| 16 | GPT-5.2thinking | 34.5 | 2025-12-11 | 未知 |
| 17 | Gemini 3.0 Flashthinking | 33.7 | 2025-12-17 | 未知 |
| 18 | Claude Opus 4.5thinking | 30.8 | 2025-11-25 | 未知 |
| 19 | GPT-5-Prothinking | 30.7 | 2025-08-07 | 未知 |
| 20 | DeepSeek V3.2 Specialethinking | 30.6 | 2025-12-01 | 未知 |
| 21 | GLM-4.6thinking + 使用工具 | 30.4 | 2025-09-30 | 3550 |
| 22 | Qwen3-Max-Thinkingthinking | 30.2 | 2026-01-26 | 10000 |
| 23 | Kimi K2.5thinking | 30.1 | 2026-01-27 | 10000 |
| 24 | GPT-5.1thinking | 26.5 | 2025-11-12 | 未知 |
| 25 | Grok 4thinking | 25.4 | 2025-07-10 | 未知 |
| 26 | DeepSeek V3.2thinking | 25.1 | 2025-12-01 | 6710 |
| 27 | GPT-5thinking | 24.8 | 2025-08-07 | 未知 |