MMLU-Pro
原版MMLU基准测试的加强版，将选项数量从4个扩展至10个，并引入更多需要深度推理而非记忆的题目，更难通过猜测刷高分
时间轴 (近 90 天)
实验在MMLU-Pro和MMMU-Pro上进行，结果显示校准不佳的自置信度仍能支持统计上有效的分层审计。
MMLU-Pro由TIGER-Lab于2024年推出，将四选一改为十选一，共约12,000道推理密集型题目，是当前开源模型常引用的知识类基准之一。
MMLU-Pro前五名分差仅0.6个百分点：Darwin-180B-RSI 88.1%、MiniMax-M2.1 88.0%、Intern-S2-Preview 88.0%、Qwen3.5-397B-A17B 87.8%、DeepSeek-V4-Pro 87.5%。
截至2026年10月19日，Darwin-180B-RSI在AIhoster榜单的MMLU-Pro上以88.1%排名第一，在GPQA Diamond上以94.4%排名第一。
在 MMLU-Pro、TriviaQA 等推理任务上，U-Space 单次前向的打分器一致地将正确答案排在熵方法或集成方法之前。
MMLU-Pro榜首是FINAL-Bench/Darwin-180B-RSI，得分88.12；gpqa榜首同样由它拿下，得分94.44。
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。
在全部 38 项基准中，Aplomb 1 在 8 项上拿到 5.3B 以内模型最高分，包括 MMLU-Pro、GPQA Diamond 和 BBH
2.0 的知识类能力下滑（MMLU-Pro 72.5 对比基础 78.5），竞赛级代码能力下降（LiveCodeBench 51 对比 56）
在MMLU-Pro基准上Flash-Next IQ4_XS得分83.8%，Qwen3 27B FP8得分75.0%
还有 2 条时间轴事件
全部知识事实 (10)
实验在MMLU-Pro和MMMU-Pro上进行，结果显示校准不佳的自置信度仍能支持统计上有效的分层审计。
50%待验证截至2026年10月19日，Darwin-180B-RSI在AIhoster榜单的MMLU-Pro上以88.1%排名第一，在GPQA Diamond上以94.4%排名第一。
50%待验证MMLU-Pro由TIGER-Lab于2024年推出，将四选一改为十选一，共约12,000道推理密集型题目，是当前开源模型常引用的知识类基准之一。
50%待验证MMLU-Pro前五名分差仅0.6个百分点：Darwin-180B-RSI 88.1%、MiniMax-M2.1 88.0%、Intern-S2-Preview 88.0%、Qwen3.5-397B-A17B 87.8%、DeepSeek-V4-Pro 87.5%。
50%待验证在 MMLU-Pro、TriviaQA 等推理任务上，U-Space 单次前向的打分器一致地将正确答案排在熵方法或集成方法之前。
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%待验证在全部 38 项基准中，Aplomb 1 在 8 项上拿到 5.3B 以内模型最高分，包括 MMLU-Pro、GPQA Diamond 和 BBH
50%待验证2.0 的知识类能力下滑（MMLU-Pro 72.5 对比基础 78.5），竞赛级代码能力下降（LiveCodeBench 51 对比 56）
50%待验证评测覆盖MMLU-Pro、GPQA Diamond、GSM8K、德语MGSM和IFEval五个基准
50%待验证多个前沿模型在MMLU上的得分差距已缩小到百分之一的量级，推动了MMLU-Pro和ARC-AGI等更高难度基准的出现
50%