BenchLeader

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
1GPT-6 AstraOpenAI79.066.4$20.00
2Claude Fable 5.2 (xhigh)Anthropic76.969.7$16.00
3Gemini 4 Carbon (medium)Google74.665.8$4.00
4Claude Opus 5.5 (xhigh)Anthropic73.465.4$8.00
5Gemini 3.8 FlashGoogle73.256.4$1.50
6Gemini 4 Hydrogen (xhigh)Google72.961.8$3.00
7GPT-6.1 Sol (xhigh)OpenAI72.163.6$4.00
8Claude Fable 5.1 (xhigh)Anthropic71.964.6$20.00
9GPT-5.4 ProOpenAI70.163.1$67.50
10Claude Fable 5 (xhigh)Anthropic69.6–$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
1Claude Fable 5.2 (max)Anthropic74.572.7$16.00
2Claude Opus 5.5 (max)Anthropic73.268.4$8.00
3Claude Fable 5.1 (max)Anthropic72.066.7$20.00
4Gemini 4 Carbon (high)Google71.968.9$4.00
5GPT-6.1 Terra (max)OpenAI71.764.1$2.00
6GPT-6.1 Sol (max)OpenAI71.666.6$4.00
7Claude Fable 5 (max)Anthropic71.465.1$20.00
8Claude Sonnet 5.5 (max)Anthropic71.364.2$4.00
9GPT-6 Astra (max)OpenAI70.867.3$20.00
10o3OpenAI70.660.4$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1692026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1352026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1112026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482026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3842026年11月11日
Kagi LLM BenchmarkKagi 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52026年3月25日
Humanity's Last Exam (AA)不计入 IndexArtificial 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6382026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5792026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3392026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2012026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1572026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1462026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892026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682025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312026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222026年3月31日
HLE-Diamond (Scale)不计入 IndexScale 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202026年11月11日
CL-bench Life不计入 IndexCL-bench 的日常生活子集。GPT-5.5 (high) 22.2%现役172026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152026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132026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3062026年11月10日
ARC-AGI-2ARC-AGI-2 半公开评测集。GPT-6 Astra (max) 95.0%已饱和2652026年11月10日
ARC-AGI-1ARC-AGI-1 半公开评测集。Claude Fable 5.2 (xhigh) 98.5%已饱和2652026年11月10日
ARC-AGI-3ARC-AGI-3 半公开交互式评测集。GPT-6 Astra (high) 99.9%已饱和792026年11月10日
GPQA Diamond (AA)不计入 IndexArtificial 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5672026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2382026年11月9日
GPQA Diamond (Vals)不计入 IndexVals 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1332026年9月1日
LiveBench 1.0 Reasoning不计入 IndexLiveBench 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682026年6月25日
LiveBench 2.0 Reasoning不计入 IndexLiveBench 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342026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772024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742024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682024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562024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432024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112024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82022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62023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3692026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682025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 20252025 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 Index68 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152026年11月10日
USAMO 2026不计入 Index2026 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1232026年11月10日
AIME 20262026 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 20262026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 AIME2024–2025 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2892026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942026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852026年11月9日
FrontierMath Tier 4FrontierMath 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792026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732026年1月9日
AIME 2025 (AA)不计入 Index2025 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2552026年1月4日
LiveBench Mathematics不计入 IndexLiveBench 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682026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582026年1月9日
MATH Level 5MATH 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972025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732024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。

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。