Hendrycks 等人的 12,500 道竞赛数学题基准（7 大领域 × 5 级难度），数学推理的经典分母
12,500 道竞赛数学题（7 领域 × 5 难度级），最终答案准确率（0-100，越高越好）；题源公开多年已属饱和基准，当前模型 90 分以上只剩判分规范化噪音，读难度请改看 AIME/FrontierMath 系。
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 28 场模型发布（收录 34 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。
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%。
Tencent / 腾讯混元·国内
腾讯开源业界最大规模 Transformer 架构混合专家模型，总参数 389B，激活 52B，支持 256K 长文本，在 MMLU 达 89.9%，GSM8K 达 89.9%，MATH 达 66.8%，HumanEval 达 78.7%，位居开源前沿阵营。
Meta / Llama·国际
Meta 首度推出的多模态视觉 Llama 模型系列，包含 11B/90B 视觉版与 1B/3B 端侧极小尺寸版，支持 128K 上下文与图像理解，90B 视觉模型在 MMLU 达 88.5%，MGSM 达 88.6%，MATH 达 71.2%。
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%。
Mistral AI·国际
Mistral 123B 参数旗舰模型，支持 128K 超长上下文与 80+ 种编程语言，MMLU 达 84.0%，HumanEval 达 92.0%，GSM8K 达 91.2%，MATH 达 63.3%，代码能力跻身全球最强阵营。
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%。
Google DeepMind / Gemini·国际
Google 开源轻量级旗舰系列，采用交错滑动窗口局部注意力与知识蒸馏优化，27B 参数版本在 MMLU 达 75.2%，GSM8K 达 84.0%，MATH 达 50.2%，在 LMSYS 盲测竞技场匹敌 70B 开源模型。
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。
DeepSeek·国内
深度求索开创性自研 MLA（多头潜在注意力）与 DeepSeekMoE 架构的首秀之作，236B 总参数仅激活 21B，KV Cache 显存节省 93.3%，以极致低价与高智力引爆国内大模型价格战。MMLU 78.5%，GSM8K 79.2%，HumanEval 81.1%，C-Eval 81.4%。
Microsoft AI / MAI·国际
微软端侧小模型巅峰之作，3.8B Mini 模型能在 iPhone 上流畅离线运行，在 MMLU 达 68.8%、GSM8K 达 82.5%、HumanEval 达 58.5%、MATH 达 43.4%，性能逼近 Mixtral 8x7B。
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。
Z.ai / 智谱 GLM·国内
智谱 AI 在 2024 开发者大会发布的新一代基座旗舰，全面逼近 GPT-4。支持 128K 上下文、自主 Agent 工具调用、代码解释器及多模态，MMLU 达 81.4%，GSM8K 达 87.6%，HumanEval 达 72.0%，MATH 达 46.2%，C-Eval 达 85.8%。
Mistral AI·国际
开创全球开源稀疏混合专家（MoE）潮流的现象级模型，总参数 46.7B、每个 token 仅激活 12.9B，在 MMLU（70.6%）、GSM8K（74.4%）、HumanEval（40.2%）上全面击败 Llama 2 70B，推理吞吐提升 6 倍。
Alibaba / Qwen·国内
阿里通义千问初代开源最强版，72B 参数在 3T token 上预训练，支持 32K 上下文，在 MMLU（77.4%）、GSM8K（78.9%）、C-Eval（83.3%）上全面登顶当时全球开源模型第一。
DeepSeek·国内
深度求索（DeepSeek）首款全开源双语密集大模型，从头训练 2T token，MMLU 达 71.4%，GSM8K 达 68.3%，C-Eval 达 66.1%，CMMLU 达 66.6%，在多项中英推理基准上全面超越 Llama 2 70B。
xAI / Grok·国际
马斯克旗下 xAI 创立后的首款大语言模型，采用 314B 总参数稀疏混合专家架构，以幽默叛逆风格和 X 平台实时知识接入为特色。在 MMLU 达 73.0%，GSM8K 达 62.9%，HumanEval 达 63.2%，MATH 达 23.9%。
Mistral AI·国际
欧洲 AI 领军企业 Mistral 开山之作，开创性采用分组查询注意力（GQA）与滑动窗口注意力（SWA），以仅 7B 参数在所有基准上全面击败 Llama 2 13B，MMLU 达 60.1%，GSM8K 达 52.2%，HumanEval 达 30.5%。
Meta / Llama·国际
Meta 首个允许免费商业化使用的开源大模型家族，预训练 token 达 2T，深度融合 RLHF（PPO + 拒绝采样）对齐策略，70B 版本的 MMLU 达 68.9%，GSM8K 56.8%，成为工业界落地应用最广泛的开源标杆。
Google DeepMind / Gemini·国际
Google I/O 2023 发布的重磅基座大模型，强化了多语言、数学逻辑与代码生成能力，MMLU 达 81.2%，GSM8K 达 80.7%，MATH 达 34.3%，HumanEval 达 50.0%，全面驱动初代 Google Bard。
OpenAI·国际
OpenAI 划时代对话大模型，基于 GPT-3.5 谱系（InstructGPT）经人类反馈强化学习（RLHF）微调，开启生成式人工智能爆发奇点。在后续 GPT-4 技术报告中披露基线水准：MMLU 70.0%、GSM8K 57.1%、HumanEval 48.1%、MATH 34.1%。
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。