OlympiadBench
8,476 道奥赛级数学/物理题（含中国高考题），英中双语，附专家级逐步推理标注；GPT-4V 时代最佳平均仅 17.97%
基本信息
30 秒看懂
学科竞赛级题目的双语大集合：物理题多为图文混合，因此也是多模态推理试金石。当前旗舰已普遍 80 分段（混元 A13B 表 82.7），区分主力转向更难的专用集。
采用格局：混元 A13B 模型卡出现（Instruct 82.7 / Int4 84）；腾讯 Hunyuan 与 Qwen 系列发布表常引用
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（收录 2 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-06-27
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。
开源权重细粒度 MoE256K 长上下文快慢思考双模式
查看模型变体与证据
Hunyuan-A13B-Instruct · OlympiadBench 82.7Hunyuan-A13B-Instruct-GPTQ-Int4 · OlympiadBench 84
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。