GPQA Diamond
GPQA Diamond是一个面向研究生级别专业知识的问答基准测试，属于GPQA（Graduate-Level Google-Proof Q&A）系列中难度最高的子集。该基准涵盖生物学、化学、物理学等自然科学领域，题目由领域专家设计，旨在评估大型语言模型在高难度专业推理任务上的能力，是衡量前沿AI模型科学理解水平的重要参考标准之一。
Timeline (last 90 days)
GPQA Diamond是针对博士级科学知识的多项选择题集，覆盖生物、化学、物理，领域专家平均正确率约65%
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
IQ3S档位在GPQA Diamond上得92.93（BF16基线91.92），LiveCodeBench V6为86.86（对比87.43），三项任务平均93.26对93.12，体积不到BF16的四分之一（约22%）
GPQA Diamond是测试研究生级别科学推理能力的基准，普通人类表现约35%，顶级闭源模型在60-75%区间
评测覆盖MMLU-Pro、GPQA Diamond、GSM8K、德语MGSM和IFEval五个基准
NVFP4版Qwen3-27B在MMLU Pro和GPQA Diamond基准上相较未压缩FP16仅有微弱损失
V4.1 Flash在SWE软件工程基准上得74.2、终端基准90.6、Tonka Forces评测3471分（VS Pro为3348分）
Qwen3.8-27B在Terminal Bench、GPQA Diamond、HLE测试中均落后于Claude Opus 4.6（分别为73 vs 78.2、89.2 vs 91.3、30.8 vs 40）
All Facts (9)
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%
85%UnverifiedGPQA 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%
85%UnverifiedQwen3.8-27B在Terminal Bench、GPQA Diamond、HLE测试中均落后于Claude Opus 4.6（分别为73 vs 78.2、89.2 vs 91.3、30.8 vs 40）
60%UnverifiedGPQA Diamond是针对博士级科学知识的多项选择题集，覆盖生物、化学、物理，领域专家平均正确率约65%
50%Unverified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%UnverifiedIQ3S档位在GPQA Diamond上得92.93（BF16基线91.92），LiveCodeBench V6为86.86（对比87.43），三项任务平均93.26对93.12，体积不到BF16的四分之一（约22%）
50%Unverified评测覆盖MMLU-Pro、GPQA Diamond、GSM8K、德语MGSM和IFEval五个基准
50%UnverifiedGPQA Diamond是测试研究生级别科学推理能力的基准，普通人类表现约35%，顶级闭源模型在60-75%区间
50%UnverifiedNVFP4版Qwen3-27B在MMLU Pro和GPQA Diamond基准上相较未压缩FP16仅有微弱损失
50%