GPQA Diamond 大模型得分排行榜
数据来源：DataLearnerAI
GPQA Diamond详细排名数据表格
排名
模型
得分
发布时间
参数(亿)
通用人工智能（AGI）的进步需要可靠的评估基准。GPQA (Grade-Level Problems in Question Answering) Diamond 基准旨在衡量模型在需要深度推理和领域专业知识问题上的能力。该基准由纽约大学、CohereAI 及 Anthropic 的研究人员联合发布，其相关论文可在 arXiv 上查阅 (https://arxiv.org/pdf/2311.12022 )。GPQA Diamond是GPQA系列中最高质量的评测数据，包含198条结果。
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。
