BenchLeader

GSM8K 排行榜

截至 2026年11月16日,GSM8K 的最高分为 94.5%,由 Deepseek Coder v2(DeepSeek)取得,领先于 Qwen2.5-Coder-14B(94.2%)。共有 73 个模型配置公布了结果(Epoch AI Benchmarking Hub,结果日期 2024年6月17日)。小学数学应用题。GSM8K 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • Deepseek Coder v2 以 94.5% 保持 GSM8K 最高分(Epoch AI Benchmarking Hub,2024年6月17日)。
  • Qwen2.5-Coder-14B 以 94.2% 位列 GSM8K 第二(Epoch AI Benchmarking Hub,2024年11月6日)。
  • GSM8K:小学数学应用题。2021 年的基准测试,对当前模型已饱和,保留作为历史记录(Epoch AI Benchmarking Hub)。
  • BenchLeader 上有 73 个模型配置公布了 GSM8K 结果(BenchLeader,2026年11月16日)。
  • GSM8K 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

小学数学应用题。2021 年的基准测试,对当前模型已饱和,保留作为历史记录。

发布方
Epoch AI Benchmarking Hub
类别
数学
Index 权重
仅作参考
模型
73
数据截至
2026年11月16日

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

测试内容

小学数学应用题。

评分方式

准确率,由 Epoch AI 根据已公布的结果汇编。

注意事项

已饱和:前沿模型的得分接近上限,所以它只能区分较旧或较小的模型,而且结果大多由提供商自报。

前 15 名
  1. 1Deepseek Coder v294.5%
  2. 2Qwen2.5-Coder-14B94.2%
  3. 3Qwen2.5 Coder 32B Instruct93.0%
  4. 4GPT-492.0%
  5. 5GPT-4o mini91.3%
  6. 6GPT 4 061390.0%
  7. 7Phi-3.5-MoE88.7%
  8. 8DeepSeek-Coder-V2-Lite-Instruct87.6%
  9. 9Claude Instant 1.286.7%
  10. 10Qwen2.5-Coder 7B Instruct86.7%
  11. 11Phi-3.5-mini86.2%
  12. 12DeepSeek-Coder-V2 236B85.8%
  13. 13Gemma 2 9B84.9%
  14. 14Mistral Nemo Base 240784.2%
  15. 15Llama 3.1 8B82.4%
73 / 73
#
1Deepseek Coder v294.5%–2024-06-17
2Qwen2.5-Coder-14B94.2%–2024-11-06
3Qwen2.5 Coder 32B Instruct93.0%42.52024-11-21
4GPT-492.0%42.32023-03-14
5GPT-4o mini91.3%35.22024-07-18
6GPT 4 061390.0%39.52023-06-13
7Phi-3.5-MoE88.7%–2024-08-17
8DeepSeek-Coder-V2-Lite-Instruct87.6%–2024-06-13
9Claude Instant 1.286.7%–2023-08-09
10Qwen2.5-Coder 7B Instruct86.7%–2024-09-17
11Phi-3.5-mini86.2%–2024-08-16
12DeepSeek-Coder-V2 236B85.8%–2024-06-17
13Gemma 2 9B84.9%38.8–
14Mistral Nemo Base 240784.2%–2024-07-18
15Llama 3.1 8B82.4%33.02024-07-23
16Gemini 1.5 Flash 00182.4%–2024-05-23
17Claude Instant 1.180.9%––
18Qwen2.5-Coder-3B80.7%–2024-11-06
19davinci-00378.2%–2022-11-28
20Yi-34B76.0%34.72023-11-22
21Mixtral 8x7B74.4%30.82023-12-11
22Llama 2-70B69.6%33.42023-07-18
23Stable Beluga 269.6%–2023-07-20
24DeepSeek-Coder-V2-Lite-Base67.1%–2024-06-13
25Qwen2.5 Coder 1.5B65.8%–2024-09-18
26InternLM 20B62.9%–2023-09-18
27Qwen-14B61.3%–2023-09-28
28GPT-3.5 Turbo (older v0613)57.8%–2023-06-13
29StarCoder2-15B57.7%–2024-02-20
30code-davinci-00256.8%–2022-03-15
31PaLM 540B56.5%–2022-04-04
32Mistral 7B v0.354.4%28.92023-09-27
33Falcon-180B54.4%–2023-09-06
34LLaMA-65B54.4%–2023-02-24
35Falcon 2 11B53.8%–2024-05-09
36Baichuan2-13B52.8%–2023-09-06
37Qwen-7B51.7%–2023-09-28
38Gemma 7B46.4%–2024-02-21
39Nemotron-4 15B46.0%–2024-02-26
40Yi 6B44.9%–2023-11-22
41LLaMA-33B44.1%–2023-02-24
42Llama 2-34B42.2%–2023-07-18
43text-davinci-00241.5%–2022-03-15
44INTELLECT-138.6%–2024-11-29
45CodeQwen1.5-7B37.7%–2024-04-15
46Llama 2-13B36.9%–2023-07-18
47Deepseek Coder 33B Base35.4%–2023-11-02
48Qwen2.5-Coder-0.5B34.5%–2024-09-18
49MPT-30B34.4%–2023-06-22
50Falcon-40B33.8%–2023-05-25
51PaLM 62B33.0%–2022-04-04
52StarCoder2-7B32.7%–2024-02-20
53ChatGLM2-6B32.4%–2023-06-24
54InternLM 7B31.2%–2023-07-05
55Vicuna 13B v1.128.1%–2023-04-12
56Baichuan 1-13B26.8%–2023-07-11
57Baichuan 2 7B Base24.6%–2023-09-20
58StarCoder2-3B21.6%–2024-02-22
59Deepseek Coder 6 7B Base21.3%–2023-11-02
60Qwen-1_8B21.2%–2023-11-30

更多数学基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《GSM8K 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/gsm8k。

GSM8K:常见问题

GSM8K 衡量的是什么?
小学数学应用题。分数以完成任务的百分比表示,越高越好。
GSM8K 的最高分是多少?
截至 2026年11月16日,GSM8K 的最高分为 94.5%,由 Deepseek Coder v2 取得(结果日期 2024年6月17日),领先于 Qwen2.5-Coder-14B(94.2%)。分数来自 Epoch AI Benchmarking Hub,每天重新读取。
哪个 AI 模型在 GSM8K 上领先?
截至 2026年11月16日,GSM8K 排名第一的是 Deepseek Coder v2,分数为 94.5%(结果日期 2024年6月17日)。其后为 Qwen2.5-Coder-14B(94.2%)。
有多少模型有 GSM8K 结果?
BenchLeader 上有 73 个模型配置有 GSM8K 结果,全部取自 Epoch AI Benchmarking Hub。
GSM8K 由谁运行,多久更新一次?
GSM8K 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。
GSM8K 是否计入 BenchLeader Index?
不计入。GSM8K 仅作参考展示,不计入综合分数。