HLE 大模型得分排行榜
数据来源：DataLearnerAI
HLE详细排名数据表格
排名
模型
得分
发布时间
参数(亿)
近年来，大语言模型（LLM）的能力飞速提升，但评测基准的发展却显得滞后。以广泛使用的MMLU（大规模多任务语言理解）为例，GPT-4、Claude等前沿模型已能在其90%以上的问题上取得高分。这种“评测饱和”现象导致研究者难以精准衡量模型在尖端知识领域的真实能力。为此，Safety for AI和Scale AI的研究人员推出了Humanity’s Last Exam大模型评测基准。这是一个全新的评测基准，旨在成为大模型“闭卷学术评测的终极考验”。
模型模式说明
不同模式会显著影响成绩，请在对比榜单时留意标签提示。
提示：若某条记录未显示任何标签，即默认是 normal 常规模式。
normal
常规推理：单步推理，不延长思考、也不调用额外工具。
thinking
low
medium
high
Thinking 系列：常规延长思考时间，low/medium/high 代表不同耗时或深度，各厂商叫法不同。
deeper thinking
Deeper thinking：在 Thinking 基础上进一步延长思考链条，通常意味着更多算力与时间。
使用工具 / 联网
允许调用检索、浏览器、代码解释器等外部能力。
parallel_thinking
并行思考：多线程/多代理协同探索再汇总，通常只在厂商内部实验环境中启用、尚未对外开放，因此被视为“作弊”模式。
