博士级科学多选（物理/化学/生物），人类专家约 65%
博士级科学题，人类专家只有约 65 分。模型过了 65 分 = 在窄学科上超过专家平均水平——这是它成为共识榜第一的原因。
0-shot CoT，diamond 子集 198 题
共收录 69 场模型发布（收录 114 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
StepFun / 阶跃星辰·国内
阶跃星辰发布的旗舰基座模型 Step 5 Preview，面向真实世界 Agentic 任务，在编程、软件工程、专业工作与金融方向上达到前沿水平。AA Intelligence Index 44 分；DeepSWE v1.1 67.7%、Terminal-Bench v2.1 85.0%、StepCodeBench 49.0%、FrontierFinance 66.4%、GDPval-AA v2 1571；模型将于 2026-10-15 正式开源。
DeepSeek·国内
DeepSeek 新一代非对称 Causal-Encoder-Decoder (CED) 架构的首款多模态 MoE 模型，总参 552B 仅激活 8B 输入与 16B 输出，KV Cache 显存缩减至 1/4；在 Terminal-Bench 2.1 达到 90.6%、GPQA Diamond 90.9%、DeepSWE v1.1 74.2% 与 CyberGym 88.1%，全面替代并下线 V4-Pro。
Tencent / 腾讯混元·国内
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
OpenAI·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文将 Sol 定位为 GPT-5.6 的旗舰档（medium/high/xhigh/max/ultra 五档努力级别）。36 项评测横跨智能体、编码、长上下文、科研医疗金融与安全，亮点为 BrowseComp 90.4% 与 Terminal-Bench 2.1 88.8%。
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。
Microsoft AI / MAI·国际
Microsoft AI 将 MAI-Thinking-1 定位为面向复杂企业任务的推理模型——以成本高效的推理覆盖密集企业任务，在同级（weight class）数学、知识与编码上达到 SOTA。本次发布可核验的评测以数学与智能体编码为主：AIME 2025 97.0%、AIME 2026 94.5%（散文明文），SWE-Bench Pro 未报数值，散文以 toe-to-toe with Claude Opus 4.6 定位。
Meta / Llama·国际
Muse Glimmer 30B 被 Meta 定位为可在消费级设备上运行的开源代理模型（Apache 2.0，由 Muse Spark 蒸馏，24-32GB 显存可跑）。评测覆盖通用代理、代理编码、多模态与安全：MCP Atlas 75.5%、SWE-bench Verified 76.0%、AIME 2026 94.7%；另提供 K-Quant 量化档与 DFlash 投机解码加速。
Alibaba / Qwen·国内
通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。
Tencent / 腾讯混元·国内
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%。
Moonshot AI / Kimi·国内
Kimi K3 以「Open Frontier Intelligence」为定位发布（权重承诺 2026-07-27 前开源），评测统一 reasoning effort=max、temperature=1.0。已收录 35 项以上评测覆盖编码、Agent、搜索与多模态：亮点 Terminal-Bench 2.1 88.3、BrowseComp（1M 上下文）90.4。
Z.ai / 智谱 GLM·国内
智谱将 GLM-5.2 定位为面向长周期任务构建的模型，提供稳固支撑长程工作的 1M 上下文与更强编码能力（High/Max 档位控制），权重以 MIT 协议完全开源。已收录评测聚焦智能体编码与工具调用、长程软件工程与数学推理等领域，AIME 2026 99.2、Terminal-Bench 2.1（Terminus-2）81。
Google DeepMind / Gemini·国际
Google 将 Gemini 3.1 Flash-Lite 定位为 Gemini 3 系列中最快、最具成本效率的型号，2026-03-03 预览、2026-05-07/08 转正（GA）。已收录 3 项评测（均出自预览公告）覆盖对话竞技场、科学与多模态推理：亮点 Arena.ai 排行 1432 Elo、GPQA 86.9%。
Alibaba / Qwen·国内
发布文以“智能体新前沿”为题，将 Qwen3.7-Max 定位为面向智能体时代的新一代旗舰（经阿里云百炼 API 提供，在 Claude Code/OpenClaw/Qwen Code 间泛化）。40 余项评测覆盖智能体编码、工具与办公场景及数理推理，亮点为 HMMT 2026 二月场 97.1 与 SWE-bench Verified 80.4。
DeepSeek·国内
本发布含 2 个变体，各变体规格见模型详情。
DeepSeek 发布 V4 预览版「迈入百万上下文普惠时代」，V4-Pro 为旗舰：1M 上下文、思考/非思考双模式、reasoning_effort high/max。评测覆盖推理、编码、智能体与百万级长上下文，亮点如 GPQA Diamond 90.1%、Codeforces 3206。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 发布 GPT-5.5，提供 low/medium/high/xhigh 推理档（另有非推理模式）。评测横跨智能体编码、知识工作、长上下文与科学/网络安全，亮点如 Terminal-Bench 2.0 82.7%、ARC-AGI-2 85.0%。
Moonshot AI / Kimi·国内
Kimi K2.6 是月之暗面的开源编码旗舰（Advancing Open-Source Coding），主打长程编码与代理蜂群（300 子代理 / 4000 步）。评测横跨编码、代理、数学与视觉：SWE-bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0（Terminus-2）66.7、HLE-Full w/ tools 54.0。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 将 Claude Opus 4.7 定位为在高级软件工程上较 Opus 4.6 显著提升、最难任务上增益尤为明显的旗舰模型，同时大幅增强视觉分辨率；这也是首个按 Project Glasswing 分级防护方案发布的模型。已收录评测覆盖智能体编码与终端、长上下文检索、计算机操作、网络安全与多学科推理等领域，SWE-bench Verified 87.6、GPQA Diamond 94.2。
Z.ai / 智谱 GLM·国内
GLM-5.1 被 z.ai 定位为面向长程任务（Towards Long-Horizon Tasks）的代理工程旗舰，强调数百轮持续优化与长时程任务能力。评测集中在推理、编码与代理三类：SWE-Bench Pro 58.4、Terminal-Bench 2.0（Terminus-2）63.5、BrowseComp（w/ 上下文管理）79.3、HLE w/ Tools 52.3。
Google DeepMind / Gemini·国际
本发布含 4 个变体，各变体规格见模型详情。
面向本地运行的开放权重模型，支持推理与工具调用；本变体输入能力和上下文按官方发布页记录。
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。
ByteDance Seed / 豆包·国内
字节 Seed 系列页将 Seed2.0 Lite 定位为 Seed 基础模型系列首个全模态（omni-modal）理解模型，原生支持视频、图像、音频与文本的统一理解，并升级 Agent、Coding 与 GUI 能力，兼顾输出质量与响应速度，适合通用生产级场景。已收录评测覆盖文本智能体与编码、多模态理解、GUI 操作及视频与音频理解等领域，GPQA Diamond 88.4%、OSWorld Verified 64.4%。
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%。
Google DeepMind / Gemini·国际
Google 将 Gemini 3.1 Pro 定位为「为最复杂任务打造的更聪明模型」，基于 Gemini 3 Pro，发布时为 preview（thinking 档 low/medium/high）。已收录 19 项评测横跨推理、代码、多模态与长上下文：亮点 GPQA 94.3%、SWE-bench Verified 80.6%。
MiniMax·国内
MiniMax 将 M2.5 定位为「为真实生产力打造」，披露 20 万+ 真实环境 RL 训练与 Forge 智能体原生框架，并随附同能力 2 倍速的 M2.5-Lightning 档。已收录 22 项评测集中于编码、搜索与 Agent 工具调用：亮点 SWE-bench Verified 80.2%、tau2-Bench Telecom 97.8%。
Z.ai / 智谱 GLM·国内
智谱以「From Vibe Coding to Agentic Engineering」为主题发布 GLM-5：744B 总参/40B 激活的 MoE（DSA 架构，28.5T 预训练 tokens），MIT 许可开源。评测覆盖推理、编码与通用智能体，亮点如 HMMT 2025.11 96.9%、τ²-Bench 89.7%。
Anthropic·国际
Claude Opus 4.6 是 Anthropic 的旗舰模型，引入多档推理努力（low/medium/high/max）、自适应思考、上下文压缩与 1M 上下文 beta。评测覆盖代理编码/工具/搜索、法律与多语言问答：SWE-bench Verified 80.8、GPQA Diamond 91.3、ARC-AGI-2 68.8、BrowseComp 84.0。
Moonshot AI / Kimi·国内
发布文以“视觉智能体智能”为题，将 K2.5 定位为在 K2 基础上经 15T 视觉+文本混合语料继续预训练的原生多模态模型，Agent Swarm 最多 100 个子智能体/1500 步。45 项评测覆盖视觉理解、视频、智能体搜索与编码，亮点为 OCRBench 92.3 与 BrowseComp（Agent Swarm 模式）78.4。
Z.ai / 智谱 GLM·国内
发布文以“推进编码能力”为题，将 GLM-4.7 定位为编码与智能体任务导向的模型，支持交错/保留/回合级思考模式。17 项评测覆盖数理推理、代码智能体与通用智能体，亮点为 HMMT 2025 二月场 97.1 与 τ²-Bench 87.4（SWE-bench Verified 73.8）。
Google DeepMind / Gemini·国际
Gemini 3 Flash 以「为速度打造的前沿智能」为定位发布，上线即为 Gemini 应用与搜索 AI Mode 默认模型（发布时为 preview）。已收录 25 项评测横跨推理、代码、多模态与 Agent：亮点 AIME 2025（带代码执行）99.7%、SWE-bench Verified 78%。
DeepSeek·国内
本发布含 2 个变体，各变体规格见模型详情。
DeepSeek 官方将 V3.2 正式版定位为「强化 Agent 能力、融入思考推理」，是 DeepSeek 首个将思考与工具调用融合的模型。已收录 26 项评测覆盖数学竞赛、代码、知识与工具/Agent 使用：亮点 AIME 2025（Thinking）93.1、Codeforces（Thinking）2386。
ByteDance Seed / 豆包·国内
本发布含 3 个变体，各变体规格见模型详情。
Seed1.8 被发布文定位为通用化 Agentic 模型，覆盖 GUI/浏览器/移动操作、代理搜索、代理编码与经济价值领域任务，并提供三种思考模式。评测横跨代理、数学、STEM、知识、多模态与长视频等约 13 组：GAIA 87.4、BrowseComp-zh 81.3、AIME-25 94.3。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Gemini 3 发布以「智能新纪元」为题呈现，Gemini 3 Pro 为旗舰型号（发布时 preview）。已收录评测横跨推理、代码、多模态与 Agent：亮点 LMArena 1501 Elo、AIME 2025（带代码执行）100%。
Moonshot AI / Kimi·国内
月之暗面将 Kimi K2 Thinking 定位为思考型智能体（thinking agent），通过同时扩展思考 token 与工具调用步数推进测试时扩展前沿，可跨数百步规划、推理、执行与调整，全部评测结果以 INT4 QAT 精度报告。已收录评测覆盖通用推理、数学、智能体检索、编码与终端等领域，HLE 带工具 44.9（Heavy Mode 51.0）、SWE-bench Verified 71.3。
Anthropic·国际
发布文将其定位为小而快的轻量档模型，编码性能接近 Sonnet 4 而成本仅约三分之一、速度快一倍以上，计算机使用能力超过 Sonnet 4。11 项评测覆盖智能体编码、工具调用、计算机使用与数学推理，亮点为 AIME 2025（带 Python 工具）96.3% 与 τ2-bench Telecom 83.0%。
Z.ai / 智谱 GLM·国内
智谱将 GLM-4.6 定位为具备高级 Agentic、推理与编程能力的模型，上下文由 128K 扩展至 200K，推理中可交织工具调用。评测以编码与智能体为主，亮点如 CC-Bench 对 Claude Sonnet 4 胜率 48.6%、AIME 25 93.9%。
Anthropic·国际
Anthropic 发布 Claude Sonnet 4.5，作为面向编码、智能体与计算机使用场景的 Sonnet 新代，并同步推出 Claude Agent SDK。评测集中在编码与智能体领域，亮点如 SWE-bench Verified 77.2%（并行测试期计算 82.0%）、τ2-bench Telecom 98.0%。
DeepSeek·国内
DeepSeek 将 V3.2-Exp 定位为引入 DeepSeek 稀疏注意力（DSA）、聚焦长上下文训练与推理提效的实验性版本，训练设置与 V3.1-Terminus 严格对齐、公开评测表现基本持平，API 价格同步下调超 50%（页面未给出具体单价）。已收录评测覆盖通用知识、数学推理、代码与中英文检索等领域，Codeforces Div1 2121、AIME 2025 89.3。
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3-Max 发布以「大就是好（Just Scale it）」为题，Instruct 为超 1T 总参 MoE 旗舰（36T 预训练 tokens、全局 batch 负载均衡损失，ChunkFlow 支持 1M 长上下文训练）。已收录 9 项评测：亮点 SWE-bench Verified 69.6、LMArena 文本榜 1430。
DeepSeek·国内
DeepSeek-V3.1 发布文定位为首个混合推理架构模型：同一模型同时服务 deepseek-chat（非思考）与 deepseek-reasoner（思考），主打思考效率提升与 Agent 能力增强。评测分编码代理、搜索代理与思考效率三组：SWE-bench Verified 66、BrowseComp 30、AIME 2025（V3.1-Think）88.4。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
GPT-5 是 OpenAI 的统一思考模型，发布文称其在 AIME 2025（无工具 94.6%）、SWE-bench Verified 74.9%、HealthBench Hard 46.2% 等刷新 SOTA，并大幅降低事实错误与谄媚率。评测覆盖竞赛数学、编码、指令跟随与代理、多模态与健康：GPQA Diamond 88.4%、MMMU 84.2%、BrowseComp 54.9%。
StepFun / 阶跃星辰·国内
StepFun 将 Step 3 定位为高性价比的多模态智能模型，以 38B 激活的 MoE 架构与 MFA 注意力 + AFD 并行设计平衡性能与推理成本，并以 Apache 2.0 开源。已收录评测覆盖多模态理解、数学与科学推理、代码等领域，AIME 2025 82.9、MMMU 74.2。
Z.ai / 智谱 GLM·国内
智谱 AI 高性能极致性价比基座大模型，面向企业级大规模并发场景提供强大的文本理解与智能体调用能力。
Moonshot AI / Kimi·国内
本发布含 2 个变体，各变体规格见模型详情。
Kimi K2 以「Open Agentic Intelligence」为定位发布，Kimi-K2-Instruct 为后训练的非思考（reflex-grade）MoE 模型（1T 总参/32B 激活）。已收录 32 项评测覆盖代码、数学、知识与 Agent 工具使用：亮点 SWE-bench Verified（Agentic Coding）65.8、MMLU 89.5。
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 4 是 xAI 具备原生工具调用与实时搜索的模型，官方称其为 HLE text-only 子集首个突破 50%（50.7%）的模型。评测集中于数学、科学与编码：AIME'25 91.7%（无工具）、HMMT 2025 90%、GPQA 87.5%、ARC-AGI-2 15.9%（闭源 SOTA）。
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。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Gemini 2.5 Flash 是 Gemini 2.5 家族 GA 扩容公告中的主力 Flash 档模型，默认开启思考并同时报告非思考配置。评测覆盖科学/数学/编码/事实性/视觉与多语言：思考配置 GPQA Diamond 82.8%、AIME 2025 72.0%、MRCR v2 8-needle（1M）21.0%。
MiniMax·国内
MiniMax 稀疏混合专家大语言模型，支持 245K 超长上下文窗口与万级汉字复杂指令遵循。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Claude 4 发布中 Opus 4 为最强编码档，采用混合模式（近即时回答 + 扩展思考，扩展思考可与工具调用结合，beta）。已收录 22 项评测覆盖软件工程、终端、知识与 Agent：亮点 SWE-bench Verified 72.5%（并行测试时计算 79.4%）。
Xiaomi / 小米·国内
MiMo-7B-RL 是小米开源的 7B 强化学习对齐大模型，在 MMLU 达到 70.3 分，MATH-500 71.2 分，GSM8K 87.8 分，显著强化长思维链与代码数学逻辑能力。
Alibaba / Qwen·国内
本发布含 8 个变体，各变体规格见模型详情。
Qwen3 以「Think Deeper, Act Faster」发布，Qwen3-235B-A22B 为混合思考 MoE 旗舰。评测覆盖推理、编码与多语言，亮点如 ArenaHard 95.6%、AIME'24 85.7%。
ByteDance Seed / 豆包·国内
字节跳动火山引擎主力通用大模型，具备高性价比、低延迟响应与出色的中文上下文理解能力。
OpenAI·国际
本发布含 2 个变体，各变体规格见模型详情。
OpenAI 将 o3 定位为其最强推理模型，在编码、数学、科学与视觉感知等领域推进前沿，并支持以图思考（Thinking with images）。该发布已收录评测覆盖数学、编程竞赛、科学推理、软件工程与智能体工具使用等领域，AIME 2025 配 Python 工具 pass@1 98.4%、100% consensus@8。
Meta / Llama·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文称 Maverick 为 Llama 4 herd 中的主力多模态模型（17B 激活、128 专家、400B 总参，MoE 架构）。评测覆盖多模态理解、知识、代码与克丘亚语翻译，亮点为 DocVQA 94.4 与 ChartQA 90.0（LMArena Elo 1417 归属于实验性聊天版本）。
Google DeepMind / Gemini·国际
谷歌将 Gemini 2.5 Pro 实验版定位为其最智能的 AI 模型与 2.5 系列首个思维（thinking）模型，原生多模态并配备 1M token 上下文窗口（200 万即将推出）。已收录评测覆盖推理、代码、长上下文与多模态理解等领域，HLE 无工具 18.8%、SWE-bench Verified 63.8%。
Tencent / 腾讯混元·国内
腾讯混元-T1 正式版定位为业内首个超大规模混合 Mamba 推理模型（TurboS 混合 Transformer-Mamba MoE 底座，96.7% 后训练算力用于强化学习）。已收录 14 项评测覆盖知识、数学、代码与中文能力：亮点 MMLU-Pro 87.2、AIME24 78.2。
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 3 被 xAI 定位为开启『推理代理时代』的 Beta 模型，主打 (Think) 深度推理配置并曾以代号 chocolate 登顶 LMArena。评测覆盖推理、编码、多模态理解与长上下文 RAG：AIME'25 93.3%、GPQA 84.6%、LCB 79.4%、Chatbot Arena 1402 Elo、LOFT（128k）83.3%。
DeepSeek·国内
深度求索开源的纯强化学习驱动推理大模型，开创性采用大规模强化学习与多阶段冷启动蒸馏技术，在数学竞赛、代码工程与复杂推理任务上达到与 OpenAI o1 相当的前沿水准。
Moonshot AI / Kimi·国内
月之暗面面向深度推理的长思维链强化学习大模型，在数学奥林匹克、复杂编程与视觉长程推理任务上展现出突破性表现。
Microsoft AI / MAI·国际
微软 14B 参数专攻复杂推理的开源大模型，采用合成数据增强与多阶段对齐，在 MATH 达 80.4%，GPQA 达 56.1%，MMLU 达 84.8%，HumanEval 达 82.3%，推理能力媲美大尺寸前沿闭源模型。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
发布文称其为面向智能体时代（agentic era）的 Gemini 2.0 家族首个模型。13 项评测横跨知识、代码、数学、多模态与长上下文，亮点为 Natural2Code 92.9% 与 MATH 89.7%。
Alibaba / Qwen·国内
本发布含 5 个变体，各变体规格见模型详情。
Qwen2.5 发布文以「A Party of Foundation Models」呈现全家族，72B-Instruct 为其中最大开源指令模型（稠密解码器，18T 预训练 tokens）。已收录 14 项评测覆盖知识、数学、代码与对齐：亮点 GSM8K 95.8、MMLU-Pro 71.1。
OpenAI·国际
OpenAI 首款强化学习驱动思维链（Chain of Thought）推理模型，在科学、编程与数学竞争性基准测试中展现出突破性的深度思考能力。
xAI / Grok·国际
xAI 第二代推理旗舰，在 LMSYS Chatbot Arena 盲测榜上一跃进入全球前三，在指令遵循、学术测试及多模态图像理解与生成上全面逼近 Claude 3.5 Sonnet 与 GPT-4o。GPQA 达 56.0%，MATH 达 76.1%，HumanEval 达 88.4%，MMLU 达 87.5%。
Meta / Llama·国际
本发布含 3 个变体，各变体规格见模型详情。
Meta 以「迄今最强模型」发布 Llama 3.1 系列，405B 为首个前沿级开源模型（dense decoder-only）。评测覆盖知识、数学、编码、多语言与长上下文，亮点如 MMLU 88.6%、GSM8K 96.8%。
OpenAI·国际
OpenAI 推出的小尺寸高性价比多模态主力，全面替代 GPT-3.5 Turbo，在 MMLU 达到 82.0%，MGSM 87.0%，HumanEval 87.2%，MATH 70.2%，GPQA 40.2%。
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。
Anthropic·国际
Anthropic 第三代大模型家族旗舰 Claude 3 Opus，具备行业顶尖的复杂分析与编程能力，在 MMLU 达到 86.8%，GPQA 50.4%，MATH 60.1%，HumanEval 84.9%，GSM8K 95.0%，多项指标首次全面超越 GPT-4。
Google DeepMind / Gemini·国际
Google DeepMind 原生多模态大模型开篇之作，其中 Gemini 1.0 Ultra 成为全球首个在 MMLU 基准上超越人类专家的前沿大模型。
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。