AIME 2025厂商自报 · 越高越好
100%
heavy
成绩出处BrowseComp厂商自报 · 越高越好
60.2%
w/ tools
成绩出处BrowseComp-zh厂商自报 · 越高越好
62.3%
w/ tools
成绩出处FinSearchComp-T3厂商自报 · 越高越好
47.4%
w/ tools
成绩出处FRAMES厂商自报 · 越高越好
87%
w/ tools
成绩出处GPQA厂商自报 · 越高越好
84.5%
Diamond, no tools
成绩出处HealthBench厂商自报 · 越高越好
58%
no tools
成绩出处HMMT 2025厂商自报 · 越高越好
97.5%
heavy
成绩出处Humanity's Last Exam厂商自报 · 越高越好
51%
heavy
成绩出处IMO-AnswerBench厂商自报 · 越高越好
78.6%
no tools
成绩出处LiveCodeBench v6厂商自报 · 越高越好
83.1%
no tools
成绩出处MMLU-Pro厂商自报 · 越高越好
84.6%
no tools
成绩出处MMLU-Redux厂商自报 · 越高越好
94.4%
no tools
成绩出处Multi-SWE-Bench厂商自报 · 越高越好
41.9%
w/ tools
成绩出处OJBench厂商自报 · 越高越好
48.7%
cpp, no tools
成绩出处SciCode厂商自报 · 越高越好
44.8%
no tools
成绩出处Seal-0厂商自报 · 越高越好
56.3%
w/ tools
成绩出处SWE-bench Multilingual厂商自报 · 越高越好
61.1%
w/ tools
成绩出处SWE-Bench Verified厂商自报 · 越高越好
71.3%
w/ tools
成绩出处Terminal-Bench厂商自报 · 越高越好
47.1%
w/ simulated tools (JSON)
成绩出处WritingBench厂商自报 · 越高越好
73.8%
Longform Writing, no tools
成绩出处
