Epoch AI · 各领域顶级难题（HLE）

如何解读此排行榜

衡量什么： 这是 Center for AI Safety 与 Scale AI 创建的 Humanity's Last Exam。由多个领域的专家编写的 2,500 道公开题目组成，旨在应对现有基准趋于饱和的问题。

如何解读分数： 正确率（%）。评估高难度知识和推理能力，分数会因模型及工具使用条件而异。

注意事项： 已有意见指出题目、答案及评分存在错误。解读细微分数差异时，请同时考虑题目缺陷、评估条件和统计不确定性。

本次排名的解读要点

• 最高分为 GPT-6 Astra 的 54.8%。
• 第 1 名与第 5 名的差距为 10.5%p。
• 前 10 个模型中，OpenAI 的模型有 3 个，数量最多。
• 已有 30 个模型公开了此测试的结果。