BenchLeader

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。

发布方
HELM Capabilities
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。

68 / 68
#
1Gemini 3 Pro80.3%60.02025-11-24
2GPT-579.1%56.62025-11-24
3GPT-5 mini75.6%56.62025-11-24
4o375.3%60.42025-11-24
5Gemini 2.5 Pro74.9%55.22025-11-24
6o4-mini73.5%55.22025-11-24
7Grok 472.6%58.12025-11-24
8Qwen3 235B A22B 250772.6%50.72025-11-24
9Claude Opus 4thinking70.9%55.72025-11-24
10Claude Sonnet 4thinking70.6%53.82025-11-24
11Claude Sonnet 4.568.6%53.82025-11-24
12gpt-oss-120b68.4%46.12025-11-24
13GPT-5 nano67.9%56.22025-11-24
14Grok 3 mini67.5%52.02025-11-24
15Claude Opus 466.6%51.92025-11-24
16DeepSeek R1 052866.6%49.12025-11-24
17Palmyra X566.1%–2025-11-24
18GPT-4.165.9%48.72025-11-24
19Kimi K265.2%51.12025-11-24
20Grok 365.0%50.92025-11-24
21Llama 4 Maverick65.0%41.82025-11-24
22Claude Sonnet 464.3%50.02025-11-24
23Qwen3-Next 80B A3Bthinking63.0%52.22025-11-24
24Qwen3 235B A22B62.3%50.12025-11-24
25GPT-4.1 mini61.4%44.72025-11-24
26Claude 3.7 Sonnet60.8%49.22025-11-24
27Claude Haiku 4.560.5%47.72025-11-24
28GLM-4.5-Air59.4%46.72025-11-24
29gpt-oss-20b59.4%44.52025-11-24
30Claude 3.5 Sonnet56.5%46.82025-11-24
31Gemini 2.0 Flash55.6%43.52025-11-24
32DeepSeek V353.8%44.32025-11-24
33Gemini 1.5 Pro 00253.4%41.42025-11-24
34Llama 3.1 405B52.2%41.82025-11-24
35GPT-4o52.0%42.82025-11-24
36Nova Premier51.8%45.12025-11-24
37Llama 4 Scout50.7%38.22025-11-24
38GPT-4.1 nano50.7%36.92025-11-24
39Gemini 2.0 Flash-Lite50.0%48.02025-11-24
40Nova Pro44.6%40.52025-11-24
41GPT-5.144.2%56.12025-11-24
42Gemini 1.5 Flash 00243.7%38.22025-11-24
43Mistral Large 2.143.5%42.52025-11-24
44Qwen2.5 72B42.6%43.12025-11-24
45Llama 3.1 70B42.6%40.72025-11-24
46Palmyra Fin42.2%–2025-11-24
47Nova Lite39.7%38.22025-11-24
48Palmyra X 00439.5%–2025-11-24
49Mistral Small 3.139.2%38.42025-11-24
50Gemini 2.5 Flash39.0%52.42025-11-24
51Nova Micro38.3%39.22025-11-24
52Granite 4.0 Small38.3%–2025-11-24
53GPT-4o mini36.8%35.22025-11-24
54Palmyra Med36.8%–2025-11-24
55Claude 3.5 Haiku36.3%38.72025-11-24
56Qwen2.5 7B Instruct34.1%39.82025-11-24
57Mixtral 8x22B Instruct33.4%37.42025-11-24
58Granite 3.3 8B32.5%–2025-11-24
59Olmo 2 13B November 202431.6%–2025-11-24
60Gemini 2.5 Flash-Lite30.9%48.32025-11-24

更多推理基准测试 · 全部大模型基准测试

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。