最佳推理AI模型

使用GPQA、ARC-Challenge、BIG-Bench Hard和Humanity's Last Exam分数对AI模型的推理能力进行排名。

Last updated: 25m ago

第一名模型

GPT-4o

评分: 76.5

平均评分

46.8

所有排名模型

已排名模型

有基准测试数据

权重：GPQA (40%)ARC-Challenge (20%)BIG-Bench Hard (20%)Humanity's Last Exam (20%)

Top Best for Reasoning Models by Weighted Score

Top 15 models by weighted score

LMMarketCap.com

Benchmark Breakdown

Per-benchmark scores for top 10 models

GPQA

ARC-Challenge

BIG-Bench Hard

Humanity's Last Exam

LMMarketCap.com

#	模型	提供商	评分	GPQA	ARC-Challenge	BIG-Bench Hard	Humanity's Last Exam
1	GPT-4oOpenAI	OpenAI	76.5	--	96.4	83.7	--
2	GPT-4o-miniOpenAI	OpenAI	75.1	--	96.4	80.4	--
3	Llama 3.1 70B InstructMeta	Meta	74.8	--	94.8	81.2	--
4	Gemma 2 27BGoogle	Google	72.2	--	93.2	--	--
5	DeepSeek V3 0324DeepSeek	DeepSeek	68.2	--	--	88	--
6	DeepSeek V3DeepSeek	DeepSeek	67.8	--	--	87.5	--
7	R1 0528DeepSeek	DeepSeek	67	--	--	86.5	--
8	R1DeepSeek	DeepSeek	65.9	--	--	85	--
9	GPT-4 TurboOpenAI	OpenAI	64.4	--	--	83.1	--
10	Llama 3.3 70B InstructMeta	Meta	64.2	--	--	82.8	--
11	Mistral LargeMistral AI	Mistral AI	62	--	--	80	--
12	Claude Haiku 4.5Anthropic	Anthropic	60.8	--	--	78.5	--
13	Llama 4 ScoutMeta	Meta	58.9	--	--	76	--
14	GPT-5.4OpenAI	OpenAI	55.7	--	--	92	39
15	Claude Opus 4.6Anthropic	Anthropic	55.1	--	--	91.5	38.2
16	GPT-5.2OpenAI	OpenAI	54.6	--	--	91.5	37
17	GPT-5OpenAI	OpenAI	53.3	--	--	90.5	35
18	Gemini 2.5 ProGoogle	Google	52.4	--	--	88	35.2
19	o3OpenAI	OpenAI	52.3	--	--	93	30.1
20	Gemini 3 Flash PreviewGoogle	Google	52.1	--	--	89	33.7
21	Claude Opus 4.5Anthropic	Anthropic	51.9	--	--	90	32.1
22	Claude Sonnet 4.6Anthropic	Anthropic	51.1	--	--	89.8	30.5
23	Claude Opus 4Anthropic	Anthropic	49.9	--	--	89	28.5
24	Phi 4Microsoft	Microsoft	49.7	20.8	95.5	78	--
25	GPT-5.1OpenAI	OpenAI	48.7	--	--	91	23.7
26	o3 MiniOpenAI	OpenAI	46.2	--	--	88.5	20.3
27	o4 MiniOpenAI	OpenAI	46.1	--	--	90.5	18.1
28	Claude Fable 5Anthropic	Anthropic	45.7	--	--	--	59
29	Claude Sonnet 4.5Anthropic	Anthropic	43.4	--	--	88.5	13.7
30	Gemini 2.5 FlashGoogle	Google	41.3	--	--	85	12.1
31	o1OpenAI	OpenAI	41.3	--	--	89	8.1
32	Gemma 4 31BGoogle	Google	39.9	--	--	74.4	19.5
33	Claude Sonnet 4Anthropic	Anthropic	39.3	--	--	87	5.5
34	Claude Opus 4.8Anthropic	Anthropic	38.6	--	--	--	49.8
35	Llama 4 MaverickMeta	Meta	38.3	--	--	84.5	5.7
36	GPT-4.1OpenAI	OpenAI	38	--	--	84	5.4
37	Claude Opus 4.7Anthropic	Anthropic	36.3	--	--	--	46.9
38	GPT-5.5OpenAI	OpenAI	32.1	--	--	--	41.4
39	GPT-5 MiniOpenAI	OpenAI	15.1	--	--	--	19.4
40	Command R7B (12-2024)Cohere	Cohere	14.6	7.8	--	36	--
41	Qwen2.5 7B InstructAlibaba	Alibaba	13	5.5	--	34.9	--
42	Llama 3.1 8B InstructMeta	Meta	12.9	7.4	--	30.9	--
43	Llama 3.2 3B InstructMeta	Meta	10.3	6.2	--	24.2	--
44	Gemini 3.1 Flash LiteGoogle	Google	6.7	--	--	--	8.6
45	Mistral Medium 3Mistral AI	Mistral AI	3.5	--	--	--	4.5

评分计算方式

每个模型的评分是其可用基准测试结果的加权平均值。当模型缺少某些基准测试时，权重会在可用的基准测试之间重新归一化。所有评分均为0-100的刻度。数据来源于官方模型卡片、已发表论文和第三方评估平台。

其他专业排行榜

编程最佳数学最佳写作最佳指令遵循最佳数据分析最佳角色扮演最佳多语言最佳

Frequently Asked Questions

根据我们的基准测试分析，OpenAI的GPT-4o目前在Reasoning领域排名第一，加权评分为76.5/100。

模型使用GPQA、ARC-Challenge、BIG-Bench Hard、Humanity's Last Exam基准测试分数的加权平均进行排名。所有分数均归一化到0-100的刻度。

我们目前对45个拥有相关基准测试数据的模型进行了Reasoning任务排名。