GPQA Diamond (HELM) 排行榜
截至 2026年11月16日,GPQA Diamond (HELM) 的最高分为 80.3%,由 Gemini 3 Pro(Google)取得,领先于 GPT-5(79.1%)。共有 68 个模型配置公布了结果(HELM Capabilities,结果日期 2025年11月24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 (HELM) 仅作参考展示,不计入 BenchLeader Index。
要点(截至 2026年11月16日)
- Gemini 3 Pro 以 80.3% 保持 GPQA Diamond (HELM) 最高分(HELM Capabilities,2025年11月24日)。
- GPT-5 以 79.1% 位列 GPQA Diamond (HELM) 第二(HELM Capabilities,2025年11月24日)。
- GPQA Diamond (HELM):斯坦福 CRFM 自行运行的 GPQA Diamond。仅作参考;计入 Index 的是 Epoch 的结果(HELM Capabilities)。
- BenchLeader 上有 68 个模型配置公布了 GPQA Diamond (HELM) 结果(BenchLeader,2026年11月16日)。
- GPQA Diamond (HELM) 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。
斯坦福 CRFM 自行运行的 GPQA Diamond。仅作参考;计入 Index 的是 Epoch 的结果。
- 类别
- 推理
- Index 权重
- 仅作参考
- 模型
- 68
- 数据截至
- 2026年11月16日
Stanford Center for Research on Foundation Models (crfm.stanford.edu), Apache-2.0 results.
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
使用思维链提示的准确率。
注意事项
这是 Stanford CRFM 在 HELM 固定测试框架中自行运行的 GPQA Diamond。仅供参考;计入 Index 的是 Epoch AI 的运行结果。另请参阅 GPQA Diamond 排行榜。
- 1Gemini 3 Pro80.3%
- 2GPT-579.1%
- 3GPT-5 mini75.6%
- 4o375.3%
- 5Gemini 2.5 Pro74.9%
- 6o4-mini73.5%
- 7Grok 472.6%
- 8Qwen3 235B A22B 250772.6%
- 9Claude Opus 4 (thinking)70.9%
- 10Claude Sonnet 4 (thinking)70.6%
- 11Claude Sonnet 4.568.6%
- 12gpt-oss-120b68.4%
- 13GPT-5 nano67.9%
- 14Grok 3 mini67.5%
- 15Claude Opus 466.6%
| # | ||||
|---|---|---|---|---|
| 1 | 80.3% | 60.0 | 2025-11-24 | |
| 2 | 79.1% | 56.6 | 2025-11-24 | |
| 3 | 75.6% | 56.6 | 2025-11-24 | |
| 4 | 75.3% | 60.4 | 2025-11-24 | |
| 5 | 74.9% | 55.2 | 2025-11-24 | |
| 6 | 73.5% | 55.2 | 2025-11-24 | |
| 7 | 72.6% | 58.1 | 2025-11-24 | |
| 8 | 72.6% | 50.7 | 2025-11-24 | |
| 9 | 70.9% | 55.7 | 2025-11-24 | |
| 10 | 70.6% | 53.8 | 2025-11-24 | |
| 11 | 68.6% | 53.8 | 2025-11-24 | |
| 12 | 68.4% | 46.1 | 2025-11-24 | |
| 13 | 67.9% | 56.2 | 2025-11-24 | |
| 14 | 67.5% | 52.0 | 2025-11-24 | |
| 15 | 66.6% | 51.9 | 2025-11-24 | |
| 16 | 66.6% | 49.1 | 2025-11-24 | |
| 17 | 66.1% | – | 2025-11-24 | |
| 18 | 65.9% | 48.7 | 2025-11-24 | |
| 19 | 65.2% | 51.1 | 2025-11-24 | |
| 20 | 65.0% | 50.9 | 2025-11-24 | |
| 21 | 65.0% | 41.8 | 2025-11-24 | |
| 22 | 64.3% | 50.0 | 2025-11-24 | |
| 23 | 63.0% | 52.2 | 2025-11-24 | |
| 24 | 62.3% | 50.1 | 2025-11-24 | |
| 25 | 61.4% | 44.7 | 2025-11-24 | |
| 26 | 60.8% | 49.2 | 2025-11-24 | |
| 27 | 60.5% | 47.7 | 2025-11-24 | |
| 28 | 59.4% | 46.7 | 2025-11-24 | |
| 29 | 59.4% | 44.5 | 2025-11-24 | |
| 30 | 56.5% | 46.8 | 2025-11-24 | |
| 31 | 55.6% | 43.5 | 2025-11-24 | |
| 32 | 53.8% | 44.3 | 2025-11-24 | |
| 33 | 53.4% | 41.4 | 2025-11-24 | |
| 34 | 52.2% | 41.8 | 2025-11-24 | |
| 35 | 52.0% | 42.8 | 2025-11-24 | |
| 36 | 51.8% | 45.1 | 2025-11-24 | |
| 37 | 50.7% | 38.2 | 2025-11-24 | |
| 38 | 50.7% | 36.9 | 2025-11-24 | |
| 39 | 50.0% | 48.0 | 2025-11-24 | |
| 40 | 44.6% | 40.5 | 2025-11-24 | |
| 41 | 44.2% | 56.1 | 2025-11-24 | |
| 42 | 43.7% | 38.2 | 2025-11-24 | |
| 43 | 43.5% | 42.5 | 2025-11-24 | |
| 44 | 42.6% | 43.1 | 2025-11-24 | |
| 45 | 42.6% | 40.7 | 2025-11-24 | |
| 46 | 42.2% | – | 2025-11-24 | |
| 47 | 39.7% | 38.2 | 2025-11-24 | |
| 48 | 39.5% | – | 2025-11-24 | |
| 49 | 39.2% | 38.4 | 2025-11-24 | |
| 50 | 39.0% | 52.4 | 2025-11-24 | |
| 51 | 38.3% | 39.2 | 2025-11-24 | |
| 52 | 38.3% | – | 2025-11-24 | |
| 53 | 36.8% | 35.2 | 2025-11-24 | |
| 54 | 36.8% | – | 2025-11-24 | |
| 55 | 36.3% | 38.7 | 2025-11-24 | |
| 56 | 34.1% | 39.8 | 2025-11-24 | |
| 57 | 33.4% | 37.4 | 2025-11-24 | |
| 58 | 32.5% | – | 2025-11-24 | |
| 59 | 31.6% | – | 2025-11-24 | |
| 60 | 30.9% | 48.3 | 2025-11-24 |
相关基准测试
GPQA Diamond (HELM) 上的热门模型对比
引用格式:BenchLeader,《GPQA Diamond (HELM) 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/helm_gpqa。
GPQA Diamond (HELM):常见问题
- GPQA Diamond (HELM) 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 (HELM) 的最高分是多少?
- 截至 2026年11月16日,GPQA Diamond (HELM) 的最高分为 80.3%,由 Gemini 3 Pro 取得(结果日期 2025年11月24日),领先于 GPT-5(79.1%)。分数来自 HELM Capabilities,每天重新读取。
- 哪个 AI 模型在 GPQA Diamond (HELM) 上领先?
- 截至 2026年11月16日,GPQA Diamond (HELM) 排名第一的是 Gemini 3 Pro,分数为 80.3%(结果日期 2025年11月24日)。其后为 GPT-5(79.1%)。
- 有多少模型有 GPQA Diamond (HELM) 结果?
- BenchLeader 上有 68 个模型配置有 GPQA Diamond (HELM) 结果,全部取自 HELM Capabilities。
- GPQA Diamond (HELM) 由谁运行,多久更新一次?
- GPQA Diamond (HELM) 由 HELM Capabilities 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 (HELM) 是否计入 BenchLeader Index?
- 不计入。GPQA Diamond (HELM) 仅作参考展示,不计入综合分数。