为什么重要
GPQA 的完整版（Extended）包含 448 题，比 Diamond 子集（198 题）更全面。是衡量 LLM 在物理、化学、生物学等领域是否达到博士级理解的核心基准。非专业博士在此基准上准确率仅 ~34%。
返回评测
推理 科学推理 未饱和
模态 · 文本
任务 · 选择 / 判断
GPQA-Extended
需要领域专家才能回答的高难度科学问答
NYU / Anthropic ·
考察能力
专家推理 科学知识 高难度推理
构建信息
- 数据规模
- 448 问题
- 评测方式
- 标准评测
- 核心指标
- Accuracy
资源链接
模型效果排行
🥇 o3
87.7%
🥈 GPT-4o
53.6%
科学推理 研究生级 高难度 专家