GPQA Diamond
研究生级科学推理 · 收录 16 个模型 · 来源 Epoch AI / Metatext · 更新 2026-11
这个基准在测什么
448 道由物理、化学、生物领域博士撰写并交叉验证的选择题，答案无法通过搜索获得，是抗污染性最强的知识型基准。
为什么单列出来
头部模型已逼近饱和（96%+），区分度下降。但它是判断'小模型能不能替代大模型'的关键指标：本地 27B 与前沿模型的差距在这里最能看清。
完整排名
| # | 模型 | 得分 | 相对最佳 | 输入 $ | 输出 $ | 类型 |
|---|---|---|---|---|---|---|
| 1 | Gemini 4 ArgonGoogle | 96.4 | 全场最佳 | $2.00 | $10.00 | |
| 2 | GPT-6 AstraOpenAI | 95.8 | 99% | $10.00 | $50.00 | |
| 3 | Claude Sonnet 5.5Anthropic | 95.6 | 99% | $2.00 | $10.00 | |
| 4 | GPT-6.1 SolOpenAI | 95.4 | 99% | $2.00 | $10.00 | |
| 5 | Gemini 3.8 FlashGoogle | 95.4 | 99% | $0.75 | $3.75 | |
| 6 | GPT-6.1 TerraOpenAI | 94.3 | 98% | $1.00 | $5.00 | |
| 7 | Claude Opus 5.5Anthropic | 93.9 | 97% | $4.00 | $20.00 | |
| 8 | Kimi K3 开源Moonshot AI | 93.1 | 97% | $2.00 | $15.00 | 开源 |
| 9 | Grok 4.7xAI | 92.7 | 96% | $2.00 | $6.00 | |
| 10 | Qwen3.8 MaxAlibaba Qwen | 92.7 | 96% | $2.00 | $8.00 | |
| 11 | GLM-5.3 开源Z.ai | 90.9 | 94% | $0.60 | $2.20 | 开源 |
| 12 | MiniMax M3 开源MiniMax | 90.9 | 94% | $0.25 | $1.00 | 开源 |
| 13 | DeepSeek V4.1 Flash 开源DeepSeek | 89.8 | 93% | $0.30 | $1.20 | 开源 |
| 14 | Gemma 4 31B 开源Google | 75.8 | 79% | $0.10 | $0.40 | 开源 |
| 15 | gpt-oss-120b 开源OpenAI | 75.8 | 79% | $0.05 | $0.20 | 开源 |
| 16 | MiMo-V2.6 Pro 开源Xiaomi | 59.5 | 62% | $0.35 | $1.40 | 开源 |