Benchmark
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)
Jun 1
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
Unverified80%
May 31
Gemini 3.1 Pro在GPQA Diamond测试中得分94.3%，超过OpenAI的o4和GPT-5.2
Partially Verified65%
May 31
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%
Unverified85%
May 31
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%
Unverified85%
May 31
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
Unverified80%