Humanity's Last Exam
由学术界众包构建的极难知识推理题库，涵盖数学、科学、人文等前沿知识边界问题，用于评估顶级模型的知识推理极限
时间轴 (近 90 天)
HLE Diamond是Humanity's Last Exam基准的高难度子集，由全球学者出题，覆盖数十个学科，采用更严格的评分标准。
Humanity's Last Exam 是由 Scale AI 与 Center for AI Safety 联合推出的高阶推理基准，于 2025 年初发布，包含约 3000 道专家级题目。
GPQA Diamond、MMLU-Pro、Humanity's Last Exam、SWE-bench Verified、Terminal-Bench、MMMU-Pro、LEXam、Open ASR Leaderboard 都属于 Hugging Face 官方标记的 official benchmark。
Opus 在 Terminal-Bench 4.0、Humanity's Last Exam 和长上下文推理上领先。
Mythos在"人类最后的考试（Humanity's Last Exam）"中得分64.7%，远超目前任何公开可用的模型
Haiku 5.5在Humanity's Last Exam上无工具从10.2%升至45.9%，带工具从18.7%升至57.4%
Humanity's Last Exam由数百位学术专家设计，涵盖数学、科学、人文等极难问题，用于测试模型的知识边界与推理深度
Opus 5.5 在 Humanity's Last Exam 上得分 67，Astra 为 57，Fable 5.1 为 65
在Terminal Bench 3.0上Opus 5以43.3领先V4.1的30.0，在Humanity's Last Exam上Opus 5为56.3而V4.1只有36.8
DeepSeek 4.1 Flash 在部分基准测试中能超越 Claude Opus 5、Kimi K3 等顶级模型，但并非全面领先
还有 1 条时间轴事件
全部知识事实 (9)
HLE Diamond是Humanity's Last Exam基准的高难度子集，由全球学者出题，覆盖数十个学科，采用更严格的评分标准。
50%待验证Humanity's Last Exam 是由 Scale AI 与 Center for AI Safety 联合推出的高阶推理基准，于 2025 年初发布，包含约 3000 道专家级题目。
50%待验证GPQA Diamond、MMLU-Pro、Humanity's Last Exam、SWE-bench Verified、Terminal-Bench、MMMU-Pro、LEXam、Open ASR Leaderboard 都属于 Hugging Face 官方标记的 official benchmark。
50%待验证Mythos在"人类最后的考试（Humanity's Last Exam）"中得分64.7%，远超目前任何公开可用的模型
50%待验证Haiku 5.5在Humanity's Last Exam上无工具从10.2%升至45.9%，带工具从18.7%升至57.4%
50%待验证Humanity's Last Exam由数百位学术专家设计，涵盖数学、科学、人文等极难问题，用于测试模型的知识边界与推理深度
50%待验证Opus 5.5 在 Humanity's Last Exam 上得分 67，Astra 为 57，Fable 5.1 为 65
50%待验证在Terminal Bench 3.0上Opus 5以43.3领先V4.1的30.0，在Humanity's Last Exam上Opus 5为56.3而V4.1只有36.8
50%待验证Humanity's Last Exam由Scale AI与全球数百位顶尖学者联合推出，旨在创建一个不会很快被饱和的极难评测基准
50%