本页目录
SCIENCE BENCHMARKS / RESULTS
FrontierScience 成绩
专家科学推理；Olympiad短答等价性，Research十点评分rubric至少7分算成功。
每组仅在已取得精确数值的记录中排序，不跨组比较；模型与 Agent / 运行方法、推理强度和预算共同构成运行配置。未报告的设置保持标注。
官方图表／Olympiad
- 版本
- official release 2025-12-16
- 赛道
- Olympiad
- 数据集
- gold
- 任务数
- 100
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无浏览；GPT-5 high judge；Research≥7/10为正确；CI为图表ci95字段。
8 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 77.1% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [75.25843944655627, 78.94156055344375]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 75.2584394466%；ci95-high 78.9415605534% 成绩位置：Chart 1 data.values model=GPT-5.2 |
| 2 | Gemini 3 Pro | 未报告 | high | 76.1% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [74.23090079664026, 77.96909920335973]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 74.2309007966%；ci95-high 77.9690992034% 成绩位置：Chart 1 data.values model=Gemini 3 Pro |
| 3 | Claude Opus 4.5 | 未报告 | high | 71.35% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [69.3684712613742, 73.33152873862582]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 69.3684712614%；ci95-high 73.3315287386% 成绩位置：Chart 1 data.values model=Claude Opus 4.5 |
| 4 | Grok 4 | 未报告 | high | 66.2% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [64.12686101575413, 68.27313898424588]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 64.1268610158%；ci95-high 68.2731389842% 成绩位置：Chart 1 data.values model=Grok 4 |
| 5 | OpenAI o3 | 未报告 | high | 62.95% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [60.833427998389844, 65.06657200161014]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 60.8334279984%；ci95-high 65.0665720016% 成绩位置：Chart 1 data.values model=OpenAI o3 |
| 6 | OpenAI o4-mini | 未报告 | high | 61.65% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [59.51896639585389, 63.781033604146124]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 59.5189663959%；ci95-high 63.7810336041% 成绩位置：Chart 1 data.values model=OpenAI o4-mini |
| 7 | OpenAI o1 | 未报告 | high | 42.5% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [40.33344628499545, 44.66655371500455]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 40.333446285%；ci95-high 44.666553715% 成绩位置：Chart 1 data.values model=OpenAI o1 |
| 8 | GPT-4o | 未报告 | 未报告 | 12.3% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [10.860560467404067, 13.739439532595934]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 10.8605604674%；ci95-high 13.7394395326% 成绩位置：Chart 1 data.values model=GPT-4o |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
官方图表／Research
- 版本
- official release 2025-12-16
- 赛道
- Research
- 数据集
- gold
- 任务数
- 60
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无浏览；GPT-5 high judge；Research≥7/10为正确；CI为图表ci95字段。
8 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 25.17% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [23.16182438661039, 27.171508946722938]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 23.1618243866%；ci95-high 27.1715089467% 成绩位置：Chart 2 data.values model=GPT-5.2 |
| 2 | Claude Opus 4.5 | 未报告 | high | 17.5% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [15.744641537083284, 19.255358462916714]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 15.7446415371%；ci95-high 19.2553584629% 成绩位置：Chart 2 data.values model=Claude Opus 4.5 |
| 3 | Grok 4 | 未报告 | high | 15.94% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [14.253194769713629, 17.63569411917526]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 14.2531947697%；ci95-high 17.6356941192% 成绩位置：Chart 2 data.values model=Grok 4 |
| 4 | OpenAI o3 | 未报告 | high | 14.06% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [12.449898725053213, 15.661212386057894]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 12.4498987251%；ci95-high 15.6612123861% 成绩位置：Chart 2 data.values model=OpenAI o3 |
| 5 | Gemini 3 Pro | 未报告 | high | 12.44% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [10.919516126175898, 13.969372762712991]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 10.9195161262%；ci95-high 13.9693727627% 成绩位置：Chart 2 data.values model=Gemini 3 Pro |
| 6 | OpenAI o4-mini | 未报告 | high | 8.33% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [7.056497932048066, 9.610168734618599]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 7.05649793205%；ci95-high 9.61016873462% 成绩位置：Chart 2 data.values model=OpenAI o4-mini |
| 7 | OpenAI o1 | 未报告 | high | 3.17% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [2.357694769216454, 3.97563856411688]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 2.35769476922%；ci95-high 3.97563856412% 成绩位置：Chart 2 data.values model=OpenAI o1 |
| 8 | GPT-4o | 未报告 | 未报告 | 0.44% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [0.13714532920375716, 0.7517435596851316]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 0.137145329204%；ci95-high 0.751743559685% 成绩位置：Chart 2 data.values model=GPT-4o |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
官方图表／Olympiad／effort对照
- 版本
- official release 2025-12-16
- 赛道
- Olympiad
- 数据集
- gold
- 任务数
- 100
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无浏览；GPT-5 high judge；Research≥7/10为正确；CI为图表ci95字段。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 77.1% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [75.25843944655627, 78.94156055344375]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 75.2584394466%；ci95-high 78.9415605534% 成绩位置：Chart 3 data.values model=GPT-5.2 |
| 2 | GPT-5.2 | 未报告 | high | 73.75% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [71.82164610353804, 75.67835389646196]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 71.8216461035%；ci95-high 75.6783538965% 成绩位置：Chart 3 data.values model=GPT-5.2 |
| 3 | GPT-5.2 | 未报告 | medium | 71.85% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [69.8789680717959, 73.82103192820412]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 69.8789680718%；ci95-high 73.8210319282% 成绩位置：Chart 3 data.values model=GPT-5.2 |
| 4 | GPT-5.2 | 未报告 | low | 67.45% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [65.39643928796833, 69.50356071203167]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 65.396439288%；ci95-high 69.503560712% 成绩位置：Chart 3 data.values model=GPT-5.2 |
| 5 | OpenAI o3 | 未报告 | high | 62.95% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [60.833427998389844, 65.06657200161014]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 60.8334279984%；ci95-high 65.0665720016% 成绩位置：Chart 3 data.values model=OpenAI o3 |
| 6 | OpenAI o3 | 未报告 | medium | 60.45% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [58.307047868476765, 62.59295213152324]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 58.3070478685%；ci95-high 62.5929521315% 成绩位置：Chart 3 data.values model=OpenAI o3 |
| 7 | OpenAI o3 | 未报告 | low | 53.4% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：20 independent trials per problem 误差：95% CI [51.21372564576173, 55.586274354238284]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 51.2137256458%；ci95-high 55.5862743542% 成绩位置：Chart 3 data.values model=OpenAI o3 |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
官方图表／Research／effort对照
- 版本
- official release 2025-12-16
- 赛道
- Research
- 数据集
- gold
- 任务数
- 60
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无浏览；GPT-5 high judge；Research≥7/10为正确；CI为图表ci95字段。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 25.17% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [23.16182438661039, 27.171508946722938]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 23.1618243866%；ci95-high 27.1715089467% 成绩位置：Chart 4 data.values model=GPT-5.2 |
| 2 | GPT-5.2 | 未报告 | high | 21.22% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [19.333286800863647, 23.111157643580796]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 19.3332868009%；ci95-high 23.1111576436% 成绩位置：Chart 4 data.values model=GPT-5.2 |
| 3 | GPT-5.2 | 未报告 | medium | 20.17% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [18.313011225699505, 22.020322107633824]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 18.3130112257%；ci95-high 22.0203221076% 成绩位置：Chart 4 data.values model=GPT-5.2 |
| 4 | GPT-5.2 | 未报告 | low | 18.22% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [16.438865839155152, 20.00557860528929]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 16.4388658392%；ci95-high 20.0055786053% 成绩位置：Chart 4 data.values model=GPT-5.2 |
| 5 | OpenAI o3 | 未报告 | medium | 14.39% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [12.767457727968946, 16.010320049808833]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 12.767457728%；ci95-high 16.0103200498% 成绩位置：Chart 4 data.values model=OpenAI o3 |
| 6 | OpenAI o3 | 未报告 | high | 14.06% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [12.449898725053213, 15.661212386057894]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 12.4498987251%；ci95-high 15.6612123861% 成绩位置：Chart 4 data.values model=OpenAI o3 |
| 7 | OpenAI o3 | 未报告 | low | 12.89% | 配置、误差与来源配置说明：精确值来自官方HTML；无浏览，未报告命名agent。 工具：No browsing · 预算：30 independent trials per problem 误差：95% CI [11.340912488704403, 14.436865289073376]; source ci95_low_pct/ci95_high_pct；类型：confidence_interval_95 补充指标：ci95-low 11.3409124887%；ci95-high 14.4368652891% 成绩位置：Chart 4 data.values model=OpenAI o3 |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Olympiad／Bio
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Olympiad/Bio
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | o4-mini | 未报告 | 未报告 | 47% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：47.00±14.90; relevant source text does not identify dispersion type；类型：reported_plus_minus；±14.9 成绩位置：Table5 Olympiad Bio |
| 2 | 基座未公开 | InternAgent-1.5 | 未报告 | 46% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：46.00±8.00; relevant source text does not identify dispersion type；类型：reported_plus_minus；±8 成绩位置：Table5 Olympiad Bio |
| 3 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 26.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：26.50±7.26; relevant source text does not identify dispersion type；类型：reported_plus_minus；±7.26 成绩位置：Table5 Olympiad Bio |
| 4 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 24% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：24.00±9.17; relevant source text does not identify dispersion type；类型：reported_plus_minus；±9.17 成绩位置：Table5 Olympiad Bio |
| 5 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 22.86% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：22.86±4.52; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.52 成绩位置：Table5 Olympiad Bio |
| 6 | InternS1-235B | 未报告 | 未报告 | 17% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：17.00±12.69; relevant source text does not identify dispersion type；类型：reported_plus_minus；±12.69 成绩位置：Table5 Olympiad Bio |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 13.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：13.50±9.10; relevant source text does not identify dispersion type；类型：reported_plus_minus；±9.1 成绩位置：Table5 Olympiad Bio |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Olympiad／Chem
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Olympiad/Chem
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | 基座未公开 | InternAgent-1.5 | 未报告 | 85.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：85.50±3.67; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.67 成绩位置：Table5 Olympiad Chem |
| 2 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 72.25% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：72.25±3.25; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.25 成绩位置：Table5 Olympiad Chem |
| 3 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 69.64% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：69.64±7.49; relevant source text does not identify dispersion type；类型：reported_plus_minus；±7.49 成绩位置：Table5 Olympiad Chem |
| 4 | o4-mini | 未报告 | 未报告 | 65% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：65.00±6.40; relevant source text does not identify dispersion type；类型：reported_plus_minus；±6.4 成绩位置：Table5 Olympiad Chem |
| 5 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 61.13% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：61.13±6.05; relevant source text does not identify dispersion type；类型：reported_plus_minus；±6.05 成绩位置：Table5 Olympiad Chem |
| 6 | InternS1-235B | 未报告 | 未报告 | 52.88% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：52.88±4.05; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.05 成绩位置：Table5 Olympiad Chem |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 47.25% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：47.25±4.47; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.47 成绩位置：Table5 Olympiad Chem |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Olympiad／Phy
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Olympiad/Phy
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | 基座未公开 | InternAgent-1.5 | 未报告 | 76.8% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：76.80±2.99; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.99 成绩位置：Table5 Olympiad Phy |
| 2 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 66.3% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：66.30±2.63; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.63 成绩位置：Table5 Olympiad Phy |
| 3 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 57.1% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：57.10±4.79; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.79 成绩位置：Table5 Olympiad Phy |
| 4 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 54.86% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：54.86±3.18; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.18 成绩位置：Table5 Olympiad Phy |
| 5 | o4-mini | 未报告 | 未报告 | 53.4% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：53.40±4.50; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.5 成绩位置：Table5 Olympiad Phy |
| 6 | InternS1-235B | 未报告 | 未报告 | 50.4% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：50.40±3.88; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.88 成绩位置：Table5 Olympiad Phy |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 42.7% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：42.70±3.65; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.65 成绩位置：Table5 Olympiad Phy |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Olympiad／All
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Olympiad/All
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | 基座未公开 | InternAgent-1.5 | 未报告 | 77.2% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：77.20±3.06; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.06 成绩位置：Table5 Olympiad All |
| 2 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 64.7% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：64.70±2.41; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.41 成绩位置：Table5 Olympiad All |
| 3 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 57.57% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：57.57±3.66; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.66 成绩位置：Table5 Olympiad All |
| 4 | o4-mini | 未报告 | 未报告 | 57.4% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：57.40±3.30; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.3 成绩位置：Table5 Olympiad All |
| 5 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 55.4% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：55.40±3.68; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.68 成绩位置：Table5 Olympiad All |
| 6 | InternS1-235B | 未报告 | 未报告 | 48.05% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：48.05±2.84; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.84 成绩位置：Table5 Olympiad All |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 41.6% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：20 independent runs 误差：41.60±2.94; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.94 成绩位置：Table5 Olympiad All |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Research／Bio
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Research/Bio
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | 基座未公开 | InternAgent-1.5 | 未报告 | 10.33% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：10.33±4.64; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.64 成绩位置：Table5 Research Bio |
| 2 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 10.17% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：10.17±5.08; relevant source text does not identify dispersion type；类型：reported_plus_minus；±5.08 成绩位置：Table5 Research Bio |
| 3 | o4-mini | 未报告 | 未报告 | 9.67% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：9.67±5.47; relevant source text does not identify dispersion type；类型：reported_plus_minus；±5.47 成绩位置：Table5 Research Bio |
| 4 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 8.17% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：8.17±6.39; relevant source text does not identify dispersion type；类型：reported_plus_minus；±6.39 成绩位置：Table5 Research Bio |
| 5 | InternS1-235B | 未报告 | 未报告 | 4.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：4.50±4.35; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.35 成绩位置：Table5 Research Bio |
| 6 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 2.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：2.50±3.10; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.1 成绩位置：Table5 Research Bio |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 1.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：1.50±2.93; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.93 成绩位置：Table5 Research Bio |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Research／Chem
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Research/Chem
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | 基座未公开 | InternAgent-1.5 | 未报告 | 22% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：22.00±6.00; relevant source text does not identify dispersion type；类型：reported_plus_minus；±6 成绩位置：Table5 Research Chem |
| 2 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 16.33% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：16.33±4.64; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.64 成绩位置：Table5 Research Chem |
| 3 | InternS1-235B | 未报告 | 未报告 | 11% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：11.00±3.74; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.74 成绩位置：Table5 Research Chem |
| 4 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 10% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：10.00±6.32; relevant source text does not identify dispersion type；类型：reported_plus_minus；±6.32 成绩位置：Table5 Research Chem |
| 5 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 8.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：8.50±6.21; relevant source text does not identify dispersion type；类型：reported_plus_minus；±6.21 成绩位置：Table5 Research Chem |
| 6 | o4-mini | 未报告 | 未报告 | 8.17% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：8.17±4.37; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.37 成绩位置：Table5 Research Chem |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 2% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：2.00±3.32; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.32 成绩位置：Table5 Research Chem |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Research／Phy
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Research/Phy
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 5.83% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：5.83±4.10; relevant source text does not identify dispersion type；类型：reported_plus_minus；±4.1 成绩位置：Table5 Research Phy |
| 2 | 基座未公开 | InternAgent-1.5 | 未报告 | 3.67% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：3.67±2.87; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.87 成绩位置：Table5 Research Phy |
| 3 | InternS1-235B | 未报告 | 未报告 | 2.67% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：2.67±3.35; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.35 成绩位置：Table5 Research Phy |
| 4 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 1.58% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：1.58±2.41; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.41 成绩位置：Table5 Research Phy |
| 5 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 1.4% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：1.40±2.70; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.7 成绩位置：Table5 Research Phy |
| 6 | o4-mini | 未报告 | 未报告 | 0.83% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：0.83±2.27; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.27 成绩位置：Table5 Research Phy |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 0.7% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：0.70±1.79; relevant source text does not identify dispersion type；类型：reported_plus_minus；±1.79 成绩位置：Table5 Research Phy |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
InternAgent论文／Research／All
- 版本
- InternAgent-1.5 arXiv:2602.08990v1
- 赛道
- Research/All
- 数据集
- standard evaluation set
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
N=20/30为重复次数；本论文未逐组明确题数；单独保留各学科和All；±类型未明确，不擅自标SD。
7 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | 基座未公开 | InternAgent-1.5 | 未报告 | 12% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：12.00±2.49; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.49 成绩位置：Table5 Research All |
| 2 | Mirothinker-v1.5-30B-A3B | 未报告 | 未报告 | 7.5% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：7.50±3.77; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.77 成绩位置：Table5 Research All |
| 3 | Qwen3-235B-A22B-Thinking | 未报告 | 未报告 | 7.34% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：7.34±3.37; relevant source text does not identify dispersion type；类型：reported_plus_minus；±3.37 成绩位置：Table5 Research All |
| 4 | DeepSeek-V3.2-Thinking | 未报告 | 未报告 | 6.84% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：6.84±1.88; relevant source text does not identify dispersion type；类型：reported_plus_minus；±1.88 成绩位置：Table5 Research All |
| 5 | o4-mini | 未报告 | 未报告 | 6.2% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：6.20±2.54; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.54 成绩位置：Table5 Research All |
| 6 | InternS1-235B | 未报告 | 未报告 | 6.06% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：6.06±2.30; relevant source text does not identify dispersion type；类型：reported_plus_minus；±2.3 成绩位置：Table5 Research All |
| 7 | Qwen3-30B-A3B-Thinking | 未报告 | 未报告 | 1.41% | 配置、误差与来源配置说明：原表method名称照录；基座/agent/预算未明确的字段留null。 工具：未报告 · 预算：30 independent runs 误差：1.41±1.52; relevant source text does not identify dispersion type；类型：reported_plus_minus；±1.52 成绩位置：Table5 Research All |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Olympiad · all
- 版本
- arXiv2601.21165v1
- 赛道
- Olympiad
- 数据集
- gold
- 任务数
- 100
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；20独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 77.1% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=GPT-5.2; displayed label=77.1% |
| 2 | Gemini 3 Pro | 未报告 | high | 76.1% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=Gemini 3 Pro; displayed label=76.1% |
| 3 | Claude Opus 4.5 | 未报告 | high | 71.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=Claude Opus 4.5; displayed label=71.4% |
| 4 | GPT-5.1 | 未报告 | high | 70% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=GPT-5.1; displayed label=70.0% |
| 5 | GPT-5 | 未报告 | high | 69.7% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=GPT-5; displayed label=69.7% |
| 6 | Grok 4 | 未报告 | high | 66.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=Grok 4; displayed label=66.2% |
| 7 | OpenAI o3 | 未报告 | high | 62.9% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=OpenAI o3; displayed label=62.9% |
| 8 | OpenAI o4-mini | 未报告 | high | 61.7% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=OpenAI o4-mini; displayed label=61.7% |
| 9 | OpenAI o1 | 未报告 | high | 42.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=OpenAI o1; displayed label=42.5% |
| 10 | GPT-4o | 未报告 | 未报告 | 12.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Olympiad / all; model=GPT-4o; displayed label=12.3% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Olympiad · biology
- 版本
- arXiv2601.21165v1
- 赛道
- Olympiad/biology
- 数据集
- gold
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；20独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 43.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=GPT-5.2; displayed label=43.5% |
| 2 | OpenAI o4-mini | 未报告 | high | 41.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=OpenAI o4-mini; displayed label=41.5% |
| 3 | Gemini 3 Pro | 未报告 | high | 41% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=Gemini 3 Pro; displayed label=41.0% |
| 4 | GPT-5 | 未报告 | high | 35.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=GPT-5; displayed label=35.5% |
| 5 | GPT-5.1 | 未报告 | high | 33.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=GPT-5.1; displayed label=33.5% |
| 6 | Grok 4 | 未报告 | high | 33% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=Grok 4; displayed label=33.0% |
| 7 | OpenAI o3 | 未报告 | high | 30% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=OpenAI o3; displayed label=30.0% |
| 8 | Claude Opus 4.5 | 未报告 | high | 24% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=Claude Opus 4.5; displayed label=24.0% |
| 9 | OpenAI o1 | 未报告 | high | 20% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=OpenAI o1; displayed label=20.0% |
| 10 | GPT-4o | 未报告 | 未报告 | 3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / biology; model=GPT-4o; displayed label=3.0% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Olympiad · chemistry
- 版本
- arXiv2601.21165v1
- 赛道
- Olympiad/chemistry
- 数据集
- gold
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；20独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 89% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=GPT-5.2; displayed label=89.0% |
| 2 | Gemini 3 Pro | 未报告 | high | 85.6% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=Gemini 3 Pro; displayed label=85.6% |
| 3 | GPT-5.1 | 未报告 | high | 82.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=GPT-5.1; displayed label=82.4% |
| 4 | Claude Opus 4.5 | 未报告 | high | 81.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=Claude Opus 4.5; displayed label=81.8% |
| 5 | GPT-5 | 未报告 | high | 81.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=GPT-5; displayed label=81.5% |
| 6 | OpenAI o3 | 未报告 | high | 76.1% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=OpenAI o3; displayed label=76.1% |
| 7 | Grok 4 | 未报告 | high | 73.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=Grok 4; displayed label=73.2% |
| 8 | OpenAI o4-mini | 未报告 | high | 71.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=OpenAI o4-mini; displayed label=71.5% |
| 9 | OpenAI o1 | 未报告 | high | 50.9% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=OpenAI o1; displayed label=50.9% |
| 10 | GPT-4o | 未报告 | 未报告 | 12.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / chemistry; model=GPT-4o; displayed label=12.4% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Olympiad · physics
- 版本
- arXiv2601.21165v1
- 赛道
- Olympiad/physics
- 数据集
- gold
- 任务数
- 未报告
- 主指标
- Accuracy
- 统计口径
- mean-of-20
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；20独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | Gemini 3 Pro | 未报告 | high | 75.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=Gemini 3 Pro; displayed label=75.5% |
| 2 | GPT-5.2 | 未报告 | xhigh | 74.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=GPT-5.2; displayed label=74.3% |
| 3 | Claude Opus 4.5 | 未报告 | high | 72.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=Claude Opus 4.5; displayed label=72.5% |
| 4 | GPT-5.1 | 未报告 | high | 67.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=GPT-5.1; displayed label=67.4% |
| 5 | Grok 4 | 未报告 | high | 67.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=Grok 4; displayed label=67.2% |
| 6 | GPT-5 | 未报告 | high | 67% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=GPT-5; displayed label=67.0% |
| 7 | OpenAI o3 | 未报告 | high | 59% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=OpenAI o3; displayed label=59.0% |
| 8 | OpenAI o4-mini | 未报告 | high | 57.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=OpenAI o4-mini; displayed label=57.8% |
| 9 | OpenAI o1 | 未报告 | high | 40.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=OpenAI o1; displayed label=40.3% |
| 10 | GPT-4o | 未报告 | 未报告 | 14.1% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：20 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Olympiad / physics; model=GPT-4o; displayed label=14.1% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Research · all
- 版本
- arXiv2601.21165v1
- 赛道
- Research
- 数据集
- gold
- 任务数
- 60
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；30独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5 | 未报告 | high | 25.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=GPT-5; displayed label=25.2% |
| 1 | GPT-5.2 | 未报告 | xhigh | 25.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=GPT-5.2; displayed label=25.2% |
| 3 | GPT-5.1 | 未报告 | high | 19.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=GPT-5.1; displayed label=19.4% |
| 4 | Claude Opus 4.5 | 未报告 | high | 17.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=Claude Opus 4.5; displayed label=17.5% |
| 5 | Grok 4 | 未报告 | high | 15.9% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=Grok 4; displayed label=15.9% |
| 6 | OpenAI o3 | 未报告 | high | 14.1% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=OpenAI o3; displayed label=14.1% |
| 7 | Gemini 3 Pro | 未报告 | high | 12.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=Gemini 3 Pro; displayed label=12.4% |
| 8 | OpenAI o4-mini | 未报告 | high | 8.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=OpenAI o4-mini; displayed label=8.3% |
| 9 | OpenAI o1 | 未报告 | high | 3.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=OpenAI o1; displayed label=3.2% |
| 10 | GPT-4o | 未报告 | 未报告 | 0.4% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：Figure6 error bars shown; numeric endpoints not transcribed. 成绩位置：Figure6 Research / all; model=GPT-4o; displayed label=0.4% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Research · biology
- 版本
- arXiv2601.21165v1
- 赛道
- Research/biology
- 数据集
- gold
- 任务数
- 20
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；30独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5 | 未报告 | high | 32.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=GPT-5; displayed label=32.8% |
| 2 | GPT-5.2 | 未报告 | xhigh | 29.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=GPT-5.2; displayed label=29.3% |
| 3 | GPT-5.1 | 未报告 | high | 23.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=GPT-5.1; displayed label=23.8% |
| 4 | Claude Opus 4.5 | 未报告 | high | 17% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=Claude Opus 4.5; displayed label=17.0% |
| 5 | OpenAI o3 | 未报告 | high | 16.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=OpenAI o3; displayed label=16.2% |
| 6 | Grok 4 | 未报告 | high | 14.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=Grok 4; displayed label=14.5% |
| 7 | OpenAI o4-mini | 未报告 | high | 9% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=OpenAI o4-mini; displayed label=9.0% |
| 8 | Gemini 3 Pro | 未报告 | high | 6% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=Gemini 3 Pro; displayed label=6.0% |
| 9 | OpenAI o1 | 未报告 | high | 2.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=OpenAI o1; displayed label=2.8% |
| 10 | GPT-4o | 未报告 | 未报告 | 0.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / biology; model=GPT-4o; displayed label=0.3% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Research · chemistry
- 版本
- arXiv2601.21165v1
- 赛道
- Research/chemistry
- 数据集
- gold
- 任务数
- 20
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；30独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 34% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=GPT-5.2; displayed label=34.0% |
| 2 | GPT-5 | 未报告 | high | 33.7% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=GPT-5; displayed label=33.7% |
| 3 | GPT-5.1 | 未报告 | high | 27.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=GPT-5.1; displayed label=27.5% |
| 4 | Claude Opus 4.5 | 未报告 | high | 26.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=Claude Opus 4.5; displayed label=26.8% |
| 5 | Gemini 3 Pro | 未报告 | high | 26.5% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=Gemini 3 Pro; displayed label=26.5% |
| 6 | Grok 4 | 未报告 | high | 25% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=Grok 4; displayed label=25.0% |
| 7 | OpenAI o3 | 未报告 | high | 19.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=OpenAI o3; displayed label=19.2% |
| 8 | OpenAI o4-mini | 未报告 | high | 13.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=OpenAI o4-mini; displayed label=13.2% |
| 9 | OpenAI o1 | 未报告 | high | 4.7% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=OpenAI o1; displayed label=4.7% |
| 10 | GPT-4o | 未报告 | 未报告 | 0.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / chemistry; model=GPT-4o; displayed label=0.8% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
论文v1 · Research · physics
- 版本
- arXiv2601.21165v1
- 赛道
- Research/physics
- 数据集
- gold
- 任务数
- 20
- 主指标
- Accuracy
- 统计口径
- mean-of-30
未报告
同一来源内比较；运行条件差异仍须结合每行配置解释。
无browsing；30独立trials/problem；Research每次回答≥7/10判成功后求平均正确率。推理模型high，GPT5.2 xhigh。学科题数未明示则null。
10 条成绩记录 · 仅在已取得精确数值的记录中按主指标排序；缺分不排名。
| 配置与证据 | |||||
|---|---|---|---|---|---|
| 1 | GPT-5.2 | 未报告 | xhigh | 12.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=GPT-5.2; displayed label=12.3% |
| 2 | GPT-5 | 未报告 | high | 9% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=GPT-5; displayed label=9.0% |
| 3 | Claude Opus 4.5 | 未报告 | high | 8.7% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=Claude Opus 4.5; displayed label=8.7% |
| 4 | Grok 4 | 未报告 | high | 8.3% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=Grok 4; displayed label=8.3% |
| 5 | GPT-5.1 | 未报告 | high | 6.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=GPT-5.1; displayed label=6.8% |
| 5 | OpenAI o3 | 未报告 | high | 6.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=OpenAI o3; displayed label=6.8% |
| 7 | Gemini 3 Pro | 未报告 | high | 4.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=Gemini 3 Pro; displayed label=4.8% |
| 8 | OpenAI o4-mini | 未报告 | high | 2.8% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=OpenAI o4-mini; displayed label=2.8% |
| 9 | OpenAI o1 | 未报告 | high | 2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=OpenAI o1; displayed label=2.0% |
| 10 | GPT-4o | 未报告 | 未报告 | 0.2% | 配置、误差与来源配置说明：供稿Blueprint p15；原始论文PDF/PNG直接视觉核验。；分数为原图一位小数显示值，不替换原官网精确浮点值。 工具：No browsing · 预算：30 independent trials/problem; wall-clock/token limit not specified 误差：误差未报告 成绩位置：Figure7 Research / physics; model=GPT-4o; displayed label=0.2% |
没有符合搜索条件的成绩。
查看本组前 10 条成绩
辅助展示；每条柱对应一项运行配置。数值和证据以上方表格为准。
本组来源
阅读边界
- 官网、原论文和InternAgent论文的报告组严格分开。
- 官方gold set为Olympiad100题、Research60题；重复次数20/30不是样本题数。
- 官网交互图有8模型（包含正文漏列o1/Grok4）；完整记录data.values与95%区间。
- 第三方Table5的InternAgent-1.5行没有明确基座模型，不从其他benchmark的基座推断。
- 补充论文v1独立10模型组（Fig6）及6个学科组（Fig7）；原官网快照与InternAgent分组保留。
- 论文20/30次独立试验平均正确率；每次Research回答≥7/10为成功。供稿多数票/平均rubric≥7说法已纠正。
来源日期与读取日期分别保留。误差按原文类型呈现；未注明类型的误差不解释为置信区间。