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。
- 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。
- 1Gemini 4 Carbon (high)96.5%
- 2Gemini 4 Argon (high)96.4%
- 3GPT-6 Astra (max)95.8%
- 4Claude Sonnet 5.5 (max)95.6%
- 5GPT-6.1 Sol (max)95.4%
- 6Gemini 3.8 Flash (high)95.4%
- 7Gemini 3.7 Flash (high)94.8%
- 8GPT-5.4 Pro (xhigh)94.6%
- 9Gemini 3.1 Pro (high)94.4%
- 10GPT-6.1 Terra (max)94.3%
- 11GPT-6 Sol (max)94.3%
- 12Kimi K3.1 Pro Together (max)94.2%
- 13Gemini 3.6 Flash (high)94.1%
- 14Gemini 3.1 Pro94.1%
- 15Grok 4.6 (high)94.0%
| # | ||||
|---|---|---|---|---|
| 1 | 96.5% | 68.9 | 2026-11-10 | |
| 2 | 96.4% | 65.3 | 2026-10-13 | |
| 3 | 95.8% | 67.3 | 2026-09-03 | |
| 4 | 95.6% | 64.2 | 2026-09-28 | |
| 5 | 95.4% | 66.6 | 2026-09-29 | |
| 6 | 95.4% | 59.4 | 2026-09-02 | |
| 7 | 94.8% | 62.1 | 2026-08-13 | |
| 8 | 94.6% | 59.5 | 2026-03-05 | |
| 9 | 94.4% | 60.4 | 2026-02-19 | |
| 10 | 94.3% | 64.1 | 2026-10-26 | |
| 11 | 94.3% | 62.6 | 2026-09-22 | |
| 12 | 94.2% | 60.0 | 2026-10-23 | |
| 13 | 94.1% | 61.0 | 2026-07-21 | |
| 14 | 94.1% | 59.9 | 2026-02-19 | |
| 15 | 94.0% | 60.6 | 2026-08-12 | |
| 16 | 94.0% | – | 2026-04-23 | |
| 17 | 93.9% | – | 2026-04-23 | |
| 18 | 新 | 93.9% | 72.7 | 2026-11-09 |
| 19 | 93.9% | 65.0 | 2026-07-24 | |
| 20 | 93.5% | 65.3 | 2026-07-09 | |
| 21 | 93.4% | 56.8 | 2026-07-08 | |
| 22 | 93.3% | 59.5 | 2026-07-09 | |
| 23 | 93.3% | 63.1 | 2026-03-05 | |
| 24 | 93.2% | 57.7 | 2026-10-17 | |
| 25 | 93.2% | 56.1 | 2026-08-12 | |
| 26 | 93.1% | 60.2 | 2026-07-16 | |
| 27 | 93.1% | – | 2026-11-02 | |
| 28 | 92.9% | 63.2 | 2026-07-24 | |
| 29 | 92.8% | 62.5 | 2026-05-19 | |
| 30 | 92.7% | 57.4 | 2026-09-21 | |
| 31 | 92.7% | 56.6 | 2026-08-02 | |
| 32 | 92.6% | 60.0 | 2025-11-18 | |
| 33 | 91.9% | – | 2026-07-16 | |
| 34 | 91.9% | 58.9 | 2026-06-16 | |
| 35 | 91.7% | 54.7 | 2026-08-13 | |
| 36 | 91.6% | 56.2 | 2026-07-09 | |
| 37 | 91.4% | 59.9 | 2025-12-11 | |
| 38 | 91.0% | 61.1 | 2026-05-28 | |
| 39 | 91.0% | 56.8 | 2026-07-31 | |
| 40 | 90.9% | 60.0 | 2026-05-19 | |
| 41 | 90.9% | 58.8 | 2026-08-14 | |
| 42 | 90.9% | 56.1 | 2026-06-01 | |
| 43 | 90.9% | 56.0 | 2026-04-24 | |
| 44 | 90.8% | 55.1 | 2026-04-20 | |
| 45 | 90.7% | 58.1 | 2026-04-23 | |
| 46 | 90.6% | 68.4 | 2026-09-22 | |
| 47 | 90.5% | 62.1 | 2026-02-05 | |
| 48 | 90.5% | 55.4 | 2026-06-30 | |
| 49 | 90.5% | 55.1 | 2026-09-22 | |
| 50 | 90.2% | 57.0 | 2026-04-16 | |
| 51 | 90.2% | 52.4 | 2026-08-20 | |
| 52 | 90.2% | – | 2026-10-29 | |
| 53 | 89.9% | 60.2 | 2026-07-09 | |
| 54 | 89.9% | 58.6 | 2026-03-05 | |
| 55 | 89.9% | 55.4 | 2026-04-07 | |
| 56 | 89.8% | 58.5 | 2026-09-09 | |
| 57 | 89.8% | 64.2 | 2026-04-08 | |
| 58 | 89.7% | 55.3 | 2026-10-07 | |
| 59 | 89.6% | – | 2026-06-23 | |
| 60 | 89.4% | 57.4 | 2025-12-17 |
相关基准测试
GPQA Diamond 上的热门模型对比
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。