致知｜大模型智力长期追踪榜单 · 逻辑月榜

Name: 致知｜大模型智力长期追踪榜单 · 逻辑月榜
Creator: llm2014

llm2014 / 科研 · 个人长期维护的难题榜：用中文出的逻辑、数学、空间和编程题，看模型能不能想清楚。

在 AIHOT 中参与排名

所属领域科研

上游数据时间10/31 15:06

最近成功同步10/31 23:28

它测什么，怎么测

作者用同一套对话方式，经各家官方接口给每个模型跑三次，题目不公开，按得分点评分，取三次的中位数；取最新一个月的榜，月中改题时所有型号重跑。标为估算（~Estimated）的行不是实跑成绩，不计；同一型号按最高推理档位选代表配置，选择不看分数。

计分：科研领域的逻辑一类，与 LiveBench Reasoning 合起来算一票。上一轮综合榜前 10 家厂商各自名次最高、公开能用（有按量付费 API 或公开权重）的型号，至少 60% 测过才参与计算（发布不满一个月的没测不算缺）。

同一模型测了多个档位时，按固定规则只取一套代表成绩；没有可用成绩的模型标为“未计入”并写明原因。匿名测试型号不展示，名次照搬原榜，每项最多列 30 个。

原榜名次	原榜型号	原始成绩	代表配置
1	GPT-6 Astra (xhigh)OpenAI	86.5%	xHigh 推理
4	Gemini 4 Argon (high)Google	69.1%	High 推理
5	GPT-6.1 Sol (xhigh)OpenAI	67.8%	xHigh 推理
6	Opus 5.5 (xhigh w/ refuse)Anthropic	66.6%	xHigh 推理
7	Kimi-K3.1-Pro (max)Moonshot AI	61.6%	Max 推理
8	Muse Wonder 1.0 (xhigh)Meta	59.6%	xHigh 推理
9	Fable 5.1 (xhigh w/ refuse)Anthropic	58.7%	xHigh 推理
10	Sonnet 5.5 (xhigh)Anthropic	57.4%	xHigh 推理
11	DeepSeek V4.1 Flash 1017 (max)DeepSeek	56.0%	Max 推理
12	Grok 4.7 (xhigh)xAI	52.5%	xHigh 推理
13	MiniMax-M3.1-Flash (max)MiniMax	51.8%	Max 推理
14	Gemini 3.8 Flash (high)Google	51.3%	High 推理
15	Seed-2.1-pro 0915 (high)ByteDance	49.7%	High 推理
16	GLM-5.3 (max)Z.ai	47.7%	Max 推理
17	DeepSeek V4 Pro 0813 (max)DeepSeek	47.4%	Max 推理
18	Qwen3.8-Max (xhigh)Alibaba	45.3%	xHigh 推理
19	GLM-5.3-Flash (max)Z.ai	44.6%	Max 推理
20	Step 5 PreviewStepFun	41.3%	来源默认配置
21	Qwen3.8-Flash (xhigh)Alibaba	37.6%	xHigh 推理
22	Haiku 5.5 (xhigh)Anthropic	32.3%	xHigh 推理
23	Spark X2.6synlan	32.1%	来源默认配置
24	Qwen3.8-27B (xhigh)Alibaba	31.2%	xHigh 推理
25	Hy3 (high)Tencent	28.1%	High 推理
26	Ling-3.1-flash (xhigh)InclusionAI	25.1%	xHigh 推理
27	GPT-6 Luna (xhigh)OpenAI	23.9%	xHigh 推理
28	Seed-2.0-lite 0428 (high)ByteDance	16.8%	High 推理
29	Gemini 3.5 Flash Lite (high)Google	11.9%	High 推理
30	GPT-5.5 InstantOpenAI	9.4%	非推理配置
31	Mistral Large 4 (high)Mistral AI	6.4%	High 推理
32	openPangu-2.0-Pro—	6.0%	来源默认配置

评测局限与数据署名

一个人维护，题目只有几十道，部分靠人工评分，思考时间过长会扣分；月中改题后整月重跑，分数会跟着变。缺测留空。

数据许可：官方公开结果；未声明数据许可

成绩由 llm2014 发布。各项评测的原始分数尺度不同，不能直接相加；AIHOT 按公开规则把它们折算成同一种分数。