BenchLeader

GPQA Diamond 排行榜

截至 2026年11月16日,GPQA Diamond 的最高分为 96.5%,由 Gemini 4 Carbon(Google)取得,领先于 Gemini 4 Argon(96.4%)。共有 306 个模型配置公布了结果(Epoch AI Benchmarking Hub,结果日期 2026年11月10日)。GPQA Diamond 是一套由博士水平的领域专家编写的 198 道生物、物理和化学选择题。题目刻意设计成“谷歌也查不到”:即使是能力很强的非专业人士,在可以随意上网的情况下也只能答对约三分之一,而该领域的专家能答对约三分之二。Diamond 子集只保留专家答对、非专业人士答错的题目。GPQA Diamond 计入 BenchLeader Index 的推理得分。

要点(截至 2026年11月16日)

  • Gemini 4 Carbon 以 96.5% 保持 GPQA Diamond 最高分(Epoch AI Benchmarking Hub,2026年11月10日)。
  • Gemini 4 Argon 以 96.4% 位列 GPQA Diamond 第二(Epoch AI Benchmarking Hub,2026年10月13日)。
  • GPQA Diamond:专门设计成无法靠 Google 搜到答案的研究生水平科学题。由 Epoch AI 运行(Epoch AI Benchmarking Hub)。
  • BenchLeader 上有 306 个模型配置公布了 GPQA Diamond 结果(BenchLeader,2026年11月16日)。
  • GPQA Diamond 计入 BenchLeader Index 的推理类别(BenchLeader 方法论)。

专门设计成无法靠 Google 搜到答案的研究生水平科学题。由 Epoch AI 运行。

发布方
Epoch AI Benchmarking Hub
类别
推理
Index 权重
1.0
模型
306
数据截至
2026年11月16日
最新结果
2026年11月10日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

测试内容

GPQA Diamond 是一套由博士水平的领域专家编写的 198 道生物、物理和化学选择题。题目刻意设计成“谷歌也查不到”:即使是能力很强的非专业人士,在可以随意上网的情况下也只能答对约三分之一,而该领域的专家能答对约三分之二。Diamond 子集只保留专家答对、非专业人士答错的题目。

评分方式

准确率,即答对题目的比例。每题四个选项,随机猜测可得 25%。Epoch AI 用同一套提示词运行每个模型,并报告多次尝试的平均值。

注意事项

顶尖模型的得分已超过 85%,这项基准测试接近饱和,微小差距都在噪声范围内:两分之差大约只相当于四道题。由于是选择题,它考查的是认出正确答案,而不是推导出答案。

306 / 306
#
1Gemini 4 Carbonhigh96.5%68.92026-11-10
2Gemini 4 Argonhigh96.4%65.32026-10-13
3GPT-6 Astramax95.8%67.32026-09-03
4Claude Sonnet 5.5max95.6%64.22026-09-28
5GPT-6.1 Solmax95.4%66.62026-09-29
6Gemini 3.8 Flashhigh95.4%59.42026-09-02
7Gemini 3.7 Flashhigh94.8%62.12026-08-13
8GPT-5.4 Proxhigh94.6%59.52026-03-05
9Gemini 3.1 Prohigh94.4%60.42026-02-19
10GPT-6.1 Terramax94.3%64.12026-10-26
11GPT-6 Solmax94.3%62.62026-09-22
12Kimi K3.1 Pro Togethermax94.2%60.02026-10-23
13Gemini 3.6 Flashhigh94.1%61.02026-07-21
14Gemini 3.1 Pro94.1%59.92026-02-19
15Grok 4.6high94.0%60.62026-08-12
16GPT-5.5 Pre Releasexhigh94.0%–2026-04-23
17GPT-5.5 Pro Pre Releasexhigh93.9%–2026-04-23
18新Claude Fable 5.2max93.9%72.72026-11-09
19Claude Opus 5max93.9%65.02026-07-24
20GPT-5.6 Solmax93.5%65.32026-07-09
21Grok 4.5high93.4%56.82026-07-08
22GPT-5.6 Terramax93.3%59.52026-07-09
23GPT-5.4xhigh93.3%63.12026-03-05
24DeepSeek V4.1 Flash 1017max93.2%57.72026-10-17
25Grok 4.6xhigh93.2%56.12026-08-12
26Kimi K3max93.1%60.22026-07-16
27Doubao Seed Evolvinghigh93.1%–2026-11-02
28Claude Opus 592.9%63.22026-07-24
29Gemini 3.5 Flashhigh92.8%62.52026-05-19
30Grok 4.7xhigh92.7%57.42026-09-21
31Qwen3.8 Maxxhigh92.7%56.62026-08-02
32Gemini 3 Pro92.6%60.02025-11-18
33Kimi K3high91.9%–2026-07-16
34GLM 5.2max91.9%58.92026-06-16
35DeepSeek V4 Promax91.7%54.72026-08-13
36GPT-5.6 Lunamax91.6%56.22026-07-09
37GPT-5.2xhigh91.4%59.92025-12-11
38Claude Opus 4.8max91.0%61.12026-05-28
39DeepSeek V4 Flashmax91.0%56.82026-07-31
40Qwen3.7max90.9%60.02026-05-19
41GLM 5.3max90.9%58.82026-08-14
42MiniMax M390.9%56.12026-06-01
43DeepSeek V4 Prohigh90.9%56.02026-04-24
44Kimi K2.690.8%55.12026-04-20
45GPT-5.5low90.7%58.12026-04-23
46Claude Opus 5.5max90.6%68.42026-09-22
47Claude Opus 4.690.5%62.12026-02-05
48Claude Sonnet 5xhigh90.5%55.42026-06-30
49GPT-6 Lunamax90.5%55.12026-09-22
50Claude Opus 4.7xhigh90.2%57.02026-04-16
51GLM 5.3 Flashmax90.2%52.42026-08-20
52Mistral Large 4.0 OSShigh90.2%–2026-10-29
53GPT-5.6 Sollow89.9%60.22026-07-09
54GPT-5.4high89.9%58.62026-03-05
55GLM 5.189.9%55.42026-04-07
56DeepSeek V4.1 Flashmax89.8%58.52026-09-09
57Muse Spark89.8%64.22026-04-08
58Claude Haiku 5.5max89.7%55.32026-10-07
59Doubao Seed 2.1 Turbo 260628high89.6%–2026-06-23
60Gemini 3 Flashhigh89.4%57.42025-12-17

更多推理基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《GPQA Diamond 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/gpqa_diamond。

GPQA Diamond:常见问题

GPQA Diamond 衡量的是什么?
GPQA Diamond 是一套由博士水平的领域专家编写的 198 道生物、物理和化学选择题。题目刻意设计成“谷歌也查不到”:即使是能力很强的非专业人士,在可以随意上网的情况下也只能答对约三分之一,而该领域的专家能答对约三分之二。Diamond 子集只保留专家答对、非专业人士答错的题目。分数以完成任务的百分比表示,越高越好。
GPQA Diamond 的最高分是多少?
截至 2026年11月16日,GPQA Diamond 的最高分为 96.5%,由 Gemini 4 Carbon 取得(结果日期 2026年11月10日),领先于 Gemini 4 Argon(96.4%)。分数来自 Epoch AI Benchmarking Hub,每天重新读取。
哪个 AI 模型在 GPQA Diamond 上领先?
截至 2026年11月16日,GPQA Diamond 排名第一的是 Gemini 4 Carbon,分数为 96.5%(结果日期 2026年11月10日)。其后为 Gemini 4 Argon(96.4%)。
有多少模型有 GPQA Diamond 结果?
BenchLeader 上有 306 个模型配置有 GPQA Diamond 结果,全部取自 Epoch AI Benchmarking Hub。
GPQA Diamond 由谁运行,多久更新一次?
GPQA Diamond 由 Epoch AI Benchmarking Hub 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
GPQA Diamond 是否计入 BenchLeader Index?
计入。GPQA Diamond 计入 BenchLeader Index 的推理类别,并经过归一化,使参评模型的平均值为 50。