FrontierScience (Research)
OpenAI FrontierScience 科研赛道（博士级开放任务）
基本信息
30 秒看懂
科研赛道：博士级开放研究任务按每题 10 分制 rubric 评分（由模型评卷、专家校准），按得分率读分；GPT-5.2 仅 25% 即当前最强，分数低是设计难度使然，远未饱和。
采用格局：字节 Seed 引用；OpenAI 发布
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 3 场模型发布（收录 5 项分值） · 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
FrontierScience (Research) 21.3
2026-06-23
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
字节 Seed2.1 发布将 Pro 定位为系列最高档，官方称评估优先考察真实工作流表现而非静态榜单分数。已收录评测横跨通用 Agent、编码、多模态与视频理解：亮点 GDPval 87.9、OSWorld 78.8。
Pro 档Agent 向多模态视频理解
查看模型变体与证据
Seed2.1 Pro · FrontierScience (Research) 28.3
2026-03-05
OpenAI·国际
本发布含 4 个变体，各变体规格见模型详情。
OpenAI 将 GPT-5.4 定位为融合 GPT-5.3-Codex 编码谱系的新旗舰（ChatGPT 内 Thinking 模式，effort none/low/medium/high/xhigh，1M 上下文，原生计算机操作与工具搜索）。已收录 90 余项评测横跨知识工作、编码、计算机操作与长上下文：亮点 GDPval 83.0%、OSWorld-Verified 75.0%。
旗舰1M 长上下文原生计算机操作工具搜索
查看模型变体与证据
GPT-5.4 · FrontierScience (Research) 33.0%GPT-5.4 Pro · FrontierScience (Research) 36.7%gpt-5-2 · FrontierScience (Research) 25.2%
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。