GPQA（Graduate-Level Google-Proof Q&A）是一个面向研究生水平的专业知识问答基准测试，旨在评估大型语言模型在生物学、化学、物理学等自然科学领域的深度推理与专业知识掌握能力。题目由领域专家设计，难度较高，即使借助搜索引擎也难以轻易作答，常被用于衡量模型在专业领域的极限推理表现。
GPT-5.5在GPQA博士级科学推理基准上从78.5%提升到85.6%
Kimi K2.5在AMM5 2025综合能力测试中获得96.1分，在GPQA Diamond高难度问题测试中获得87.6分
O4-mini在GPQA博士级问答评测中准确率超过80%
Mercury 2 在 GPQA 测试（研究生水平科学推理）中得分约 75 分
GPQA Diamond测试题目来自生物学、化学、物理学等领域的博士级别知识，领域专家平均正确率约65%
Gemini 3.1 Pro在GPQA Diamond测试中得分94.3%，超过OpenAI的o4和GPT-5.2
GPQA Diamond由纽约大学研究团队构建，人类专家（博士生）的平均正确率约为65%，非专业人类约为34%
在GPQA Diamond（博士级推理）测评中，Claude Opus 4.7以94.2%夺冠，DeepSeek V4 Pro以90.1%拿下开源第一
GPQA由纽约大学研究团队设计，非专业人士使用搜索引擎答题准确率约34%，领域专家平均得分约65%
Llama 3.3在HumanEval、iFEVOL和GPQA等基准测试中相比前代展现出重大改进