GSM8K 多语言版（含中文），测跨语言数学推理
GSM8K 的多语言版（含中文）。考“用母语做数学”。
8-shot CoT
共收录 5 场模型发布（收录 7 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。
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%。
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。
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。