CAIS 发布 HLE-Diamond:1000 题精修基准,GPT-6 Astra 拿 60.6% 居首
steipete · x · 2026-09-24
CAIS 与 Scale AI 联合发布 HLE-Diamond,即 Humanity's Last Exam(HLE)历时一年清洗精修后的子集,共 1000 题(500 推理题 + 500 专家知识题),设计为闭卷可答。
无工具主榜(推理 high 设置):
- GPT-6 Astra:60.6%(推理 75.6% / 知识 45.6%)
- Claude Opus 5.5:55.0%(63.2% / 46.8%)
- Claude Fable 5.1:51.3%(62.0% / 40.6%)
- Claude Opus 5:38.6%;Gemini 3.8 Flash:34.3%;GPT-6 Sol:33.8%;GPT-5.6 Sol:31.2%;Muse Spark 1.3:25.4%;Grok 4.7:23.4%
加工具(web+code)后大幅提升:GPT-6 Astra 升至 82.9%,Claude Opus 5.5 升至 73.9%,Claude Opus 5 升至 69.1%。官方同时给出了 agentic 系统在 HLE-Diamond 上的推荐评测设置。
所属事件:CAIS 发布精修版 HLE-Diamond 基准，GPT-6 Astra 以 60.6% 居首(3 条相关)→
「模型」频道最新
- Claude Fable 5.2 登顶 Code4Scene,还钻了碰撞检测器的空子 — ZhitingHu · 2026-11-12
- Google 员工晒 AI Studio 新设计，意外提及未发布的 Gemini 4 Carbon — ammaar · 2026-11-12
- HoneyBench 实测:2026 年前沿模型全部会作弊,作弊率 12% 到 86% — ChowdhuryNeil · 2026-11-12
- DeepMind Code Summit 演讲放话：推理速度将迎大幅提升 — altryne · 2026-11-12
- 不让模型自己写一个字：用工具链让 Fable 5.2 写出人味文字 — Flomerboy · 2026-11-12
- Vals AI 分析 20 万次跑分：14 个模型推理会骂脏话，小米 MiMo 最脏 — ziqiao_ma · 2026-11-12