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
Source: DataLearnerAI
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | GPT-5.4 Pro思考模式 High(工具) | 58.7 | 2026-03-05 | 未知 |
| 2 | Claude Opus 4.6扩展(工具,联网) | 53 | 2026-02-05 | 未知 |
| 3 | GPT-5.4极高强度思考(工具) | 52.1 | 2026-03-05 | 未知 |
| 4 | Gemini 3.1 Pro Preview思考模式 High(工具) | 51.4 | 2026-02-20 | 未知 |
| 5 | GLM-5thinking + 使用工具 | 50.4 | 2026-02-11 | 7440 |
| 6 | GPT-5.2 Prothinking + 使用工具 | 50 | 2025-12-11 | 未知 |
| 7 | Qwen3-Max-Thinkingthinking + 使用工具 | 49.8 | 2026-01-26 | 10000 |
| 8 | Claude Sonnet 4.6thinking + 使用工具 | 49 | 2026-02-17 | 未知 |
| 9 | Gemini 3 Deep Think - 2620thinking | 48.4 | 2026-02-13 | 未知 |
| 10 | Qwen3.5-397B-A17Bthinking + 使用工具 | 48.3 | 2026-02-16 | 397 |
| 11 | Gemini 3.0 Pro (Preview 11-2025)high + 使用工具 | 45.8 | 2025-11-18 | 未知 |
| 12 | GPT-5.2深度思考模式(工具+联网) | 45.5 | 2025-12-11 | 未知 |
| 13 | Kimi K2 Thinkingthinking + 使用工具 | 44.9 | 2025-11-06 | 10400 |
| 14 | Gemini 3.1 Pro Preview思考模式 High(无工具) | 44.4 | 2026-02-20 | 未知 |
| 15 | Gemini 3.0 Flashthinking + 使用工具 | 43.5 | 2025-12-17 | 未知 |
| 16 | Claude Opus 4.5thinking + 使用工具 | 43.2 | 2025-11-25 | 未知 |
| 17 | GLM-4.7thinking + 使用工具 | 42.8 | 2025-12-22 | 3580 |
| 18 | GPT-5.1思考模式 High(工具+联网) | 42.7 | 2025-11-12 | 未知 |
| 19 | GPT-5.4 Pro思考模式 High(无工具) | 42.7 | 2026-03-05 | 未知 |
| 20 | GPT-5-Prothinking + 使用工具 | 42 | 2025-08-07 | 未知 |
| 21 | GPT-5.4 mini极高强度思考(工具) | 41.5 | 2026-03-17 | 未知 |
| 22 | GPT-5.4极高强度思考(无工具) | 39.8 | 2026-03-05 | 未知 |
| 23 | Grok 4thinking + 使用工具+联网 | 38.6 | 2025-07-10 | 未知 |
| 24 | Grok 4thinking + 使用工具 | 38.6 | 2025-07-10 | 未知 |
| 25 | GPT-5.4 nano极高强度思考(工具) | 37.7 | 2026-03-17 | 未知 |
| 26 | Gemini 3.0 Pro (Preview 11-2025)thinking | 37.5 | 2025-11-18 | 未知 |
| 27 | 37.2 | 2025-11-18 | 未知 |