AI 推理与数学基准测试排行榜(2026年11月)
截至 2026年11月16日,BenchLeader 收录了来自 13 家发布方的 59 个推理与数学基准测试,其中 24 个计入 BenchLeader Index。在推理基准测试中,GPT-6 Astra(OpenAI)以 79.0 的推理得分领先,其后为 Claude Fable 5.2(76.9)和 Gemini 4 Carbon(74.6)。在数学基准测试中,Claude Fable 5.2(Anthropic)以 74.5 的数学得分领先,其后为 Claude Opus 5.5(73.2)和 Claude Fable 5.1(72.0)。在权重最高的现役基准测试中,HLE-Diamond 由 Claude Fable 5.2 (max)(80.2%)领先;Arena Maths 由 Gemini 4 Argon (high)(1536)领先。在这 59 个基准测试中,26 个现役、3 个接近饱和、20 个已饱和、10 个已退役(已退役:一年内没有新结果)。
最后更新 · 每 6 小时重建一次 · 仅采用第三方发布方,不用发布文章中的数字
- 基准测试
- 59
- 现役
- 26
- 已饱和或接近饱和
- 23
- 发布方
- 13
其他类别:AI 智能体基准测试 · AI 编程基准测试 · 多模态 AI 基准测试 · 全部大模型基准测试
推理基准测试领先模型
按 BenchLeader Index 的推理类别排名:取下列计入 Index 的各项基准测试,标准化(50 代表平均水平的模型)后求平均。每个模型一行,取其表现最好的推理强度;模型需要在其中至少 2 项基准测试上有结果才会排名。
| # | 模型 | 提供商 | 推理得分 | Index | 混合 $/M |
|---|---|---|---|---|---|
| 1 | GPT-6 Astra | OpenAI | 79.0 | 66.4 | $20.00 |
| 2 | Claude Fable 5.2 (xhigh) | Anthropic | 76.9 | 69.7 | $16.00 |
| 3 | Gemini 4 Carbon (medium) | 74.6 | 65.8 | $4.00 | |
| 4 | Claude Opus 5.5 (xhigh) | Anthropic | 73.4 | 65.4 | $8.00 |
| 5 | Gemini 3.8 Flash | 73.2 | 56.4 | $1.50 | |
| 6 | Gemini 4 Hydrogen (xhigh) | 72.9 | 61.8 | $3.00 | |
| 7 | GPT-6.1 Sol (xhigh) | OpenAI | 72.1 | 63.6 | $4.00 |
| 8 | Claude Fable 5.1 (xhigh) | Anthropic | 71.9 | 64.6 | $20.00 |
| 9 | GPT-5.4 Pro | OpenAI | 70.1 | 63.1 | $67.50 |
| 10 | Claude Fable 5 (xhigh) | Anthropic | 69.6 | – | $20.00 |
数学基准测试领先模型
按 BenchLeader Index 的数学类别排名:取下列计入 Index 的各项基准测试,标准化(50 代表平均水平的模型)后求平均。每个模型一行,取其表现最好的推理强度;模型需要在其中至少 2 项基准测试上有结果才会排名。
| # | 模型 | 提供商 | 数学得分 | Index | 混合 $/M |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 (max) | Anthropic | 74.5 | 72.7 | $16.00 |
| 2 | Claude Opus 5.5 (max) | Anthropic | 73.2 | 68.4 | $8.00 |
| 3 | Claude Fable 5.1 (max) | Anthropic | 72.0 | 66.7 | $20.00 |
| 4 | Gemini 4 Carbon (high) | 71.9 | 68.9 | $4.00 | |
| 5 | GPT-6.1 Terra (max) | OpenAI | 71.7 | 64.1 | $2.00 |
| 6 | GPT-6.1 Sol (max) | OpenAI | 71.6 | 66.6 | $4.00 |
| 7 | Claude Fable 5 (max) | Anthropic | 71.4 | 65.1 | $20.00 |
| 8 | Claude Sonnet 5.5 (max) | Anthropic | 71.3 | 64.2 | $4.00 |
| 9 | GPT-6 Astra (max) | OpenAI | 70.8 | 67.3 | $20.00 |
| 10 | o3 | OpenAI | 70.6 | 60.4 | $3.50 |
全部推理基准测试:衡量内容与当前领先者(38 项)
推理基准测试提出仅靠记忆无法回答的问题:研究生水平的科学题(GPQA Diamond,198 题)、专家为难倒搜索引擎而编写的问题(Humanity's Last Exam,约 2,500 题)、抽象网格谜题(ARC-AGI),以及人类觉得简单的陷阱题(SimpleBench)。
适用于:研究助理、分析,以及任何推理链出错代价高昂的工作。
注意: MMLU 已经饱和,无法再区分前沿模型:请改用 MMLU-Pro、GPQA Diamond 或 Humanity's Last Exam。
| 基准测试 | 衡量内容 | 当前领先者 | 状态 | 模型 | 最新结果 |
|---|---|---|---|---|---|
| HLE-Diamond (AA) | 精简后的 1,000 题版 HLE(推理 500 题、知识 500 题),用于 Intelligence Index v5。由 Artificial Analysis 运行。 | Claude Fable 5.2 (max) 80.2% | 现役 | 169 | 2026年11月12日 |
| CritPt v2 hard subset (AA) | CritPt v2 中不公开的 40 道难题子集,可使用代码执行工具,用于 Intelligence Index v5。由 Artificial Analysis 运行。 | Claude Fable 5.2 (max) 76.5% | 现役 | 135 | 2026年11月12日 |
| SimpleBench | 人类正确率约 84% 的陷阱题:考察时空推理和社交智能。 | Claude Fable 5.2 94.9% | 接近饱和 | 111 | 2026年11月10日 |
| Humanity's Last Exam | 覆盖 100 多个学科、由专家编写的 2,500 道题(Scale AI / CAIS)。 | GPT-6 Astra 54.8% | 现役 | 48 | 2026年10月7日 |
| Arena Hard Prompts | 文本竞技场在被判定为高难度的提示词上的评分。 | Gemini 4 Carbon (high) 1547 | 现役由评审打分 | 384 | 2026年11月11日 |
| Kagi LLM Benchmark | Kagi 未公开的推理、编程和指令题。 | Claude Fable 5 (thinking) 91.4% | 接近饱和 | 137 | – |
| EnigmaEval | 解谜寻宝(Puzzle Hunt)式的多步推理。Scale AI。 | Claude Fable 5 (high) 39.3% | 现役 | 5 | 2026年3月25日 |
| Humanity's Last Exam (AA)不计入 Index | Artificial Analysis 自行运行的 HLE。Index v5 已改用 HLE-Diamond,此处保留作为历史记录。 | Claude Fable 5.2 (max) 74.3% | 现役 | 638 | 2026年11月9日 |
| CritPt不计入 Index | 相当于博士第一个研究项目水平的未公开物理研究题。由 Artificial Analysis 运行。在 BenchLeader Index 中已被 Index v5 的高难度子集取代。 | Claude Fable 5.2 (xhigh) 35.7% | 现役 | 579 | 2026年11月9日 |
| Arena Expert不计入 Index | 文本竞技场在 LMArena 归为专家级的提示词上的评分。 | Gemini 4 Carbon (high) 1567 | 现役由评审打分 | 339 | 2026年11月11日 |
| LMCA不计入 Index | 公布了分数上限的能力评估。 | Claude Fable 5.2 (xhigh) 70.6% | 现役 | 201 | 2026年11月9日 |
| Chess Puzzles不计入 Index | 根据棋盘描述解国际象棋谜题。由 Epoch AI 运行。 | Claude Fable 5.2 (max) 79.0% | 现役 | 157 | 2026年11月10日 |
| Mystery Game Puzzles不计入 Index | 推理游戏风格的推理谜题。由 Epoch AI 运行。 | Claude Fable 5.2 (max) 90.0% | 接近饱和 | 146 | 2026年11月10日 |
| ForecastBench不计入 Index | 预测真实的未来事件,在事件揭晓时评分。 | GPT-5.5 (high) 66.7% | 现役 | 89 | 2026年9月3日 |
| GPQA Diamond (HELM)不计入 Index | 斯坦福 CRFM 自行运行的 GPQA Diamond。仅作参考;计入 Index 的是 Epoch 的结果。 | Gemini 3 Pro 80.3% | 现役存在污染风险 | 68 | 2025年11月24日 |
| MysteryMechanism不计入 Index | 从稀疏的观察中推断出隐藏的科学机制。由 Vals AI 运行。 | GPT-6 Astra (max) 53.1% | 现役 | 31 | 2026年11月11日 |
| CL-bench不计入 Index | 需要利用上下文中给出的信息的持续学习式任务。 | GPT-5.4 (xhigh) 27.9% | 现役 | 22 | 2026年3月31日 |
| HLE-Diamond (Scale)不计入 Index | Scale AI 与 CAIS 将 Humanity's Last Exam 精简为 1,000 题的改良版。由 Scale AI 运行;BenchLeader Index 采用 Humanity's Last Exam 本身。 | Claude Fable 5.2 72.4% | 现役 | 20 | 2026年11月11日 |
| CL-bench Life不计入 Index | CL-bench 的日常生活子集。 | GPT-5.5 (high) 22.2% | 现役 | 17 | 2026年4月24日 |
| SciPredict不计入 Index | 在科学实验进行之前预测其结果。Scale AI。 | Gemini 3 Pro 25.3% | 现役 | 15 | 2026年1月14日 |
| BTF-3不计入 Index | 预测锦标赛的汇总分数。 | GLM 5.3 Flash 14.9% | 现役 | 13 | 2026年9月3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。 | Gemini 4 Carbon (high) 96.5% | 已饱和存在污染风险 | 306 | 2026年11月10日 |
| ARC-AGI-2 | ARC-AGI-2 半公开评测集。 | GPT-6 Astra (max) 95.0% | 已饱和 | 265 | 2026年11月10日 |
| ARC-AGI-1 | ARC-AGI-1 半公开评测集。 | Claude Fable 5.2 (xhigh) 98.5% | 已饱和 | 265 | 2026年11月10日 |
| ARC-AGI-3 | ARC-AGI-3 半公开交互式评测集。 | GPT-6 Astra (high) 99.9% | 已饱和 | 79 | 2026年11月10日 |
| GPQA Diamond (AA)不计入 Index | Artificial Analysis 自行运行的 GPQA Diamond。仅作参考;计入 Index 的是 Epoch 的结果。 | GPT-6 Astra (xhigh) 96.3% | 已饱和存在污染风险 | 567 | 2026年10月15日 |
| DTBench不计入 Index | 决策理论难题,对照专家答案评分。 | Claude Fable 5.2 99.2% | 已饱和 | 238 | 2026年11月9日 |
| GPQA Diamond (Vals)不计入 Index | Vals AI 自行运行的 GPQA Diamond。仅作参考。 | Gemini 3.1 Pro (high) 95.5% | 已饱和存在污染风险 | 133 | 2026年9月1日 |
| LiveBench 1.0 Reasoning不计入 Index | LiveBench 1.0 的推理类别,冻结在最终版本(2026年6月25日)。LiveBench 2.0 的推理套件是另一项测试。 | GPT-6 Astra (max) 92.7% | 已饱和 | 68 | 2026年6月25日 |
| LiveBench 2.0 Reasoning不计入 Index | LiveBench 2.0 推理套件:答案唯一的逻辑、空间和心智理论短题。 | Gemini 4 Argon (high) 95.1% | 已饱和 | 34 | 2026年11月6日 |
| ARC (AI2 Challenge)不计入 Index | 小学科学题(挑战集)。2018 年的基准测试,对当前模型已饱和,保留作为历史记录。 | DeepSeek V3 95.3% | 已退役存在污染风险 | 77 | 2024年12月26日 |
| WinoGrande不计入 Index | 代词消解类常识题。2019 年的基准测试,对当前模型已饱和,保留作为历史记录。 | Llama 3.1 405B 89.2% | 已退役存在污染风险 | 74 | 2024年12月26日 |
| HellaSwag不计入 Index | 常识性句子补全。2019 年的基准测试,对当前模型已饱和,保留作为历史记录。 | GPT-4 95.3% | 已退役存在污染风险 | 68 | 2024年12月26日 |
| PIQA不计入 Index | 物理常识题。2019 年的基准测试,对当前模型已饱和,保留作为历史记录。 | GPT-4o mini 88.7% | 已退役存在污染风险 | 56 | 2024年12月26日 |
| BIG-Bench Hard不计入 Index | 来自 BIG-Bench 的 23 项高难度任务。2022 年的基准测试,对当前模型已饱和,保留作为历史记录。 | Gemini 1.5 Pro 001 89.2% | 已退役存在污染风险 | 43 | 2024年12月26日 |
| ANLI不计入 Index | 对抗性编写的自然语言推理题。2019 年的基准测试,对当前模型已饱和,保留作为历史记录。 | GPT 3.5 Turbo 1106 58.1% | 已退役存在污染风险 | 11 | 2024年4月23日 |
| SuperGLUE不计入 Index | 一组语言理解任务。2019 年的基准测试,对当前模型已饱和,保留作为历史记录。 | T5-11B 88.9% | 已退役存在污染风险 | 8 | 2022年1月27日 |
| CommonsenseQA 2不计入 Index | 回答是或否的常识题。2022 年的基准测试,对当前模型已饱和,保留作为历史记录。 | T5-11B 67.8% | 已退役存在污染风险 | 6 | 2023年7月18日 |
全部数学基准测试:衡量内容与当前领先者(21 项)
数学基准测试从竞赛题(AIME、HMMT、IMO,由 MathArena 在题目发布当天、在任何人来得及拿来训练之前评分),到未公开的研究级问题(FrontierMath),再到完整书写的证明(ProofBench)。
适用于:定量分析、科研工作,以及检验多步骤推导的精确性。
注意: GSM8K 和 MATH 已经饱和;较早的 AIME 题目是公开的,存在数据污染风险:请优先参考 FrontierMath 和 MathArena 上每场新比赛的结果。
| 基准测试 | 衡量内容 | 当前领先者 | 状态 | 模型 | 最新结果 |
|---|---|---|---|---|---|
| Arena Maths | 文本竞技场在数学提示词上的评分。 | Gemini 4 Argon (high) 1536 | 现役由评审打分 | 369 | 2026年11月11日 |
| Omni-MATH (HELM) | 奥赛级数学题。由 Stanford CRFM 的 HELM 运行。 | GPT-5 mini 72.2% | 现役 | 68 | 2025年11月24日 |
| MathArena Apex | 近期各项竞赛中最难的题目。MathArena。 | Claude Opus 4.8 (max) 81.3% | 现役 | 47 | – |
| IMO 2025 | 2025 年国际数学奥林匹克,按证明评分。MathArena。 | GPT-5 (high) 38.1% | 现役 | 6 | – |
| FrontierMath Erdős不计入 Index | 68 道由 Paul Erdős 提出或研究过的问题,2026年8月建库时全部未解决。每题一次机会,预算 $300、时限 72 小时,按解出比例计分。由 Epoch AI 运行。 | GPT-6.1 Sol (max) 4.4% | 现役 | 15 | 2026年11月10日 |
| USAMO 2026不计入 Index | 2026 年美国数学奥林匹克,由 MathArena 按证明评分。仅供参考:参测模型太少,且分数太接近上限。 | GPT-5.5 (xhigh) 98.2% | 现役 | 9 | – |
| ArXivMath不计入 Index | 取自近几个月 arXiv 论文的研究级数学问题,只需给出最终答案,每月更新;Overall 表汇总当前各月的题集。MathArena。仅供参考:参测模型尚少。 | Gemini 4 Carbon (high) 94.3% | 现役 | 8 | – |
| BrokenArXiv不计入 Index | 将近期 arXiv 论文中的命题稍加改动使其不成立,模型指出问题而不是去“证明”才得分。MathArena。仅供参考:参测模型尚少。 | Gemini 4 Carbon (high) 84.4% | 现役 | 8 | – |
| FrontierMath Tiers 1–3 | 未公开的研究级数学题,第 1–3 级(v2 非公开题集)。由 Epoch AI 运行。 | Claude Fable 5.2 (max) 95.1% | 已饱和 | 123 | 2026年11月10日 |
| AIME 2026 | 2026 年 AIME I 和 II,由 MathArena 在题目公布后立即评测。 | GPT-5.5 (xhigh) 100.0% | 已饱和 | 31 | – |
| HMMT February 2026 | 2026年2月哈佛—麻省理工数学竞赛(HMMT)。MathArena。 | GPT-5.5 (xhigh) 98.5% | 已饱和 | 31 | – |
| OTIS Mock AIME | 2024–2025 年的模拟 AIME 数学竞赛题。由 Epoch AI 运行。 | Gemini 4 Carbon (high) 100.0% | 已饱和存在污染风险 | 289 | 2026年11月10日 |
| AIME (Vals) | 近期的 AIME 题目,由 Vals AI 在注明的推理强度下运行。 | Gemini 3.1 Pro (high) 98.1% | 已饱和存在污染风险 | 94 | 2026年4月16日 |
| ProofBench | 按严谨程度评分的完整书面证明(Vals AI)。 | Claude Fable 5.2 (max) 100.0% | 已饱和由评审打分 | 85 | 2026年11月9日 |
| FrontierMath Tier 4 | FrontierMath 最难的一级:专业数学家也要花上几天的题目。由 Epoch AI 运行。 | Claude Fable 5.2 (max) 100.0% | 已饱和 | 79 | 2026年11月10日 |
| MGSM | 十种语言的小学数学题。由 Vals AI 运行。 | Claude Opus 4.5 (thinking) 95.2% | 已饱和存在污染风险 | 73 | 2026年1月9日 |
| AIME 2025 (AA)不计入 Index | 2025 年美国数学邀请赛(AIME)全部 30 道题,奥赛水平,答案为整数。由 Artificial Analysis 运行。 | GPT-5.2 (xhigh) 99.0% | 已饱和 | 255 | 2026年1月4日 |
| LiveBench Mathematics不计入 Index | LiveBench 1.0 的数学类别,冻结在最终版本(2026年6月25日)。LiveBench 2.0 已取消该类别。 | Claude Opus 5.5 (max) 97.1% | 已饱和 | 68 | 2026年6月25日 |
| MATH 500不计入 Index | 代数、概率和三角方面的 500 道竞赛题。由 Vals AI 运行。 | Gemini 3 Pro (high) 96.4% | 已饱和存在污染风险 | 58 | 2026年1月9日 |
| MATH Level 5 | MATH 数据集中最难的一级。基本已饱和,权重减半。由 Epoch AI 运行。 | GPT-5 (high) 98.1% | 已退役存在污染风险 | 97 | 2025年10月15日 |
| GSM8K不计入 Index | 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。 | Deepseek Coder v2 94.5% | 已退役存在污染风险 | 73 | 2024年11月29日 |
推理与数学基准测试:常见问题
- 最有参考价值的推理与数学基准测试有哪些?
- 目前最有参考价值的推理与数学基准测试是 HLE-Diamond(领先者:Claude Fable 5.2 (max),80.2%)、CritPt v2 hard subset(领先者:Claude Fable 5.2 (max),76.5%)和 SimpleBench(领先者:Claude Fable 5.2,94.9%):它们都计入 BenchLeader Index,覆盖的模型多,而且尚未饱和。适用于:研究助理、分析,以及任何推理链出错代价高昂的工作。适用于:定量分析、科研工作,以及检验多步骤推导的精确性。
- 哪个 AI 模型在推理与数学基准测试上表现最好?
- 截至 2026年11月16日:在推理基准测试中,GPT-6 Astra(OpenAI)以 79.0 的推理得分领先,其后为 Claude Fable 5.2(76.9)和 Gemini 4 Carbon(74.6)。在数学基准测试中,Claude Fable 5.2(Anthropic)以 74.5 的数学得分领先,其后为 Claude Opus 5.5(73.2)和 Claude Fable 5.1(72.0)。类别得分先将每项基准测试标准化(50 代表平均水平的模型,15 分为一个标准差),再求平均,因此单项基准测试无法决定排名。
- 不同的推理与数学基准测试之间,分数可以相互比较吗?
- 大体可以,因为答案是对照标准答案判分的。需要注意两点:一是数据污染,公开的题目会进入训练数据,所以 MathArena 上的新赛题和 FrontierMath 这类非公开题集更能说明问题;二是推理强度,同一个模型思考得越久分数越高,所以 BenchLeader 把每个推理强度设置分开列出。
- 哪些推理与数学基准测试已经饱和?
- 截至 2026年11月16日,SimpleBench(接近饱和)、Kagi LLM Benchmark(接近饱和)、Mystery Game Puzzles(接近饱和)、GPQA Diamond(已饱和)、ARC-AGI-2(已饱和)、ARC-AGI-1(已饱和)、ARC-AGI-3(已饱和)、GPQA Diamond(已饱和),另有 15 个。第五名模型得分达到 90% 及以上时,该基准测试判定为“已饱和”;领先者达到 90% 或第五名达到 80% 时,判定为“接近饱和”。两者都根据数据判定,会随分数变化。
- 这个排行榜多久更新一次?
- BenchLeader 每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)重新读取每个发布方的结果,每次更新都会重建本页。各基准测试最新结果的日期见表格;各发布方按各自的时间表更新。
相关页面
引用格式:BenchLeader,《AI 推理与数学基准测试排行榜(2026年11月)》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/reasoning。