司南 OpenCompass 大模型评测榜单 · 推理
OpenCompass / 科研 · 逻辑、数量、空间与物理推理和批判性思维。
在 AIHOT 中参与排名
所属领域科研
上游数据时间10/29 08:00
最近成功同步11/01 02:05
它测什么，怎么测
司南 OpenCompass 通过公开或商业渠道获取每个模型，自己在不公开的题目上跑，取最新一版榜单仅文本基准里推理维度的得分。总榜是六个维度的平均，这里只取知识、推理、抽象三个维度分别计分；安全与交互不属于计分的能力，智能体一项把编程、工具使用和调研合成一个分，也不计。同一型号按最高推理档位选代表配置，选择不看分数。
AIHOT 怎么用它
计分：科研领域的逻辑一类，与 LiveBench Reasoning、致知逻辑月榜合起来算一票。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）。
评测成绩
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 | Kimi K3.1 Pro (max)Moonshot AI | 87.5% | Max 推理 |
| 2 | Claude Opus 5.5 (max)Anthropic | 84.6% | Max 推理 |
| 3 | GLM-5.3 (max)Z.ai | 84.2% | Max 推理 |
| 4 | DeepSeek-V4.1-Flash-1017 (max)DeepSeek | 82.5% | Max 推理 |
| 4 | GPT-6 Astra (max)OpenAI | 82.5% | Max 推理 |
| 6 | Gemini 4 Argon (high)Google | 80.0% | High 推理 |
| 6 | Gemini 3.8 Flash (high)Google | 80.0% | High 推理 |
| 8 | Claude Sonnet 5.5 (max)Anthropic | 79.5% | Max 推理 |
| 9 | Grok 4.7 (xhigh)xAI | 78.8% | xHigh 推理 |
| 10 | Doubao-Seed-2.1-Pro-0915 (high)ByteDance | 77.5% | High 推理 |
| 10 | Qwen3.8-Max (xhigh)Alibaba | 77.5% | xHigh 推理 |
| 10 | GPT-6.1 Sol (max)OpenAI | 77.5% | Max 推理 |
| 13 | GLM-5.3-Flash (max)Z.ai | 75.7% | Max 推理 |
| 14 | Qwen3.8-Flash (xhigh)Alibaba | 75.0% | xHigh 推理 |
| 14 | MiniMax-M3.1-Flash (max)MiniMax | 75.0% | Max 推理 |
| 16 | hy4-preview (high)Tencent | 73.7% | High 推理 |
| 17 | DeepSeek-V4-Pro-0813 (max)DeepSeek | 72.5% | Max 推理 |
| 17 | Kimi K3 (max)Moonshot AI | 72.5% | Max 推理 |
| 19 | Ling-3.1-flashInclusionAI | 71.8% | 来源默认配置 |
| 20 | Step 5 Preview (high)StepFun | 70.3% | High 推理 |
| 21 | MiMo-V2.6-ProXiaomi | 65.0% | 来源默认配置 |
| 21 | hy3 (high)Tencent | 65.0% | High 推理 |
| 21 | MiniMax-M3MiniMax | 65.0% | 来源默认配置 |
评测局限与数据署名
每个维度只有几十道题，分数颗粒粗；题目不公开，不能逐题复算；个别模型有题没作答，按官方公布的分数用。同属司南的三个维度分在不同的类，不能当作多家独立机构。
数据许可：官方公开结果；公开再展示保留官方署名，完整再分发授权仍以 司南 OpenCompass 条款为准
成绩由 OpenCompass 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。