CMT-Benchmark
凝聚态物理研究级评测：50 道由专家物理学家原创的研究级题目，程序化对照专家提供的 ground truth 判分
基本信息
30 秒看懂
研究级物理题 + 可编程验证：最强模型也解不到 40%（Tencent Hy3 以 37.9 居首）——读分按「解出题数/50」理解，考的是研究级推理而非教科书知识。
采用格局：Tencent Hy3 附录行（37.8）对应此公开基准；第三方榜（llm-stats 等）以 Hy3 为榜首记录
评分协议
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。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-07-06
Tencent / 腾讯混元·国内
参数295B-A21B MoE上下文256K价格¥1/¥4 每百万 tokens · 页面原文为 1/4/0.25 元/百万 tokens 三档报价，第三档含义未标注模态文本
腾讯发布混元 Hy3：295B 总参/21B 激活 MoE、256K 上下文、三种思考模式，Apache 2.0 开源。评测覆盖编码、智能体搜索与推理，亮点如 SWE-bench Verified 78%、BrowseComp 84.2%。
开源权重长上下文三档思考智能体
查看模型变体与证据
CMT-Benchmark 37.8
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
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。
复现入口
引用
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。