BIG-Bench Hard：多步推理高难度任务集
23 个 BIG-Bench 难任务（当年所有模型都低于平均人类评分者的那批），准确率越高越好；官方结论是必须配 CoT 才能真实反映水平（Codex+CoT 曾在 17/23 任务超过平均人类）——如今作为经典多步推理回归测试使用。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 5 场模型发布（收录 8 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3.8-Flash-Next 被发布文定位为迈向极致性价比的全新架构预览（GDN+QSA 混合注意力、N-gram Embedding、Muon 优化器），为 Qwen4 架构探路。评测覆盖代理编码/办公、多模态代理与通用推理：SWE-bench Pro 62.5、CoWorkBench 73.9、Toolathlon Verified 73.5、AndroidWorld 84.5。
Xiaomi / 小米·国内
MiMo-V2.5-Pro 是小米万亿级参数旗舰混合专家大模型，总参数 1.02T，激活 42B，支持 100 万 token 上下文。评测全面对标国际前沿：MMLU 89.4、GSM8K 99.6、MATH 86.2、SWE-bench Verified 78.9%、C-Eval 91.5、BBH 88.4。
Tencent / 腾讯混元·国内
本发布含 4 个变体，各变体规格见模型详情。
腾讯混元以「细粒度 MoE、80B 总参/13B 激活」开源 A13B 系列，Instruct 为指令版（256K 上下文，/think 与 /no_think 双模式，默认慢思考）。已收录 21 项 Instruct 表评测覆盖知识、数学、代码与 Agent 工具调用：亮点 AIME24 87.3、GPQA Diamond 71.2。
ByteDance Seed / 豆包·国内
发布文将其定位为带自适应思考（AdaCoT）的多模态通用系列，称视觉任务追平甚至超过 Seed1.5-VL。已收录的 8 项数值均来自 Seed1.6 Base 列的知识与数理基础评测，亮点为 BBH 92.08 与 MMLU 88.83；多模态旗舰版本身未给出数值。
Anthropic·国际
Anthropic 旗舰中杯模型，在代码生成、多步复杂推理与视觉理解上全面超越上一代 Opus 与同代旗舰，是智能体与工程编程的行业标杆。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。