davidrein/gpqa

Hugging Face GPQA 排行榜缺乏已验证结果，排名统计不确定

截至 2026 年 10 月 22 日，Hugging Face GPQA Diamond 排行榜显示有 115 行，但没有已验证的提交，表明这是一个自我报告的声明集合，而非独立核实的结果。分析显示，许多报告的分数并非在 198 个问题数据集上单次运行的简单四舍五入，暗示了平均值或不同的测试协议。此外，排名的统计显著性值得怀疑，因为即使是显著的分数差异也可能归因于随机机会或测试设置的变异，使得难以可靠地区分表现最佳的模型。