long-context reasoning
PulseAugur coverage of long-context reasoning — every cluster mentioning long-context reasoning across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
开源LLM评估：DeepSeek V4引领基准测试
多个开源大型语言模型在各种基准测试中进行了独立评估，其中DeepSeek V4 Flash 0420在GPQA（89.4%）和Humanity's Last Exam（34.8%）中取得最高分。Qwen3.5 4B在长上下文推理（63%）方面也表现强劲，而GLM-4.6V在MMLU-Pro（79.9%）方面表现出色。这些结果来自独立测量，而非自我报告数据，并可在公开排行榜上查阅。
-
DeepSeek V4 Pro 0813 基准测试显示 Humanity's Last Exam 得分为 10.6%
DeepSeek V4 Pro 0813 在包括 Humanity's Last Exam、Long Context Reasoning 和 SciCode 在内的基准测试中展示了具体的性能指标。该模型在 Humanity's Last Exam 上达到 10.6%，在 Long Context Reasoning 上达到 50.7%，在 SciCode 上达到 39.9%。此外，它每秒处理 160.7 个 token，每美元达到 1…
-
Step3 VL 10B 在基准测试中表现不一
对 Step3 VL 10B 模型的新评估显示，该模型在不同基准测试中存在显著的性能差异。该模型在 GPQA 基准测试中获得了 69% 的分数，表明其在研究生水平的问答方面表现强劲。然而，在长上下文推理任务上，其得分仅为 0%，凸显了其在处理扩展信息方面的关键弱点。
-
DeepSeek V4 Pro 和 Nova 2.0 Lite 基准测试公布 · 跟踪 2 个来源
独立基准测试揭示了两个大型语言模型 DeepSeek V4 Pro 和 Nova 2.0 Lite 的性能。DeepSeek V4 Pro 在侧重推理的任务中取得了高分，GPQA 得分为 92.8%，长上下文推理得分为 80.3%。Nova 2.0 Lite 被描述为非推理模型，在这些基准测试中的得分较低，但提供了更高的每美元智能点数指标。
-
Qwen3.5 2B在独立基准测试中表现参差不齐
独立基准测试显示，Qwen3.5 2B（一个非推理模型）在GPQA基准测试中取得了43.8%的成绩。然而，在更复杂的任务上，其表现显著下降，在HLE上仅得5%，在长上下文推理上仅得15%，在SciCode上仅得7.2%。这表明在具有挑战性的评估中存在显著的性能差距。
-
LLM基准测试结果：Molmo、Qwen3、Hermes和Mistral性能揭晓
独立基准测试揭示了多个大型语言模型在不同任务上的表现。Molmo 7B-D在GPQA和MMLU-Pro上得分较低，而Qwen3 Omni 30B A3B和Hermes 4 - Llama-3.1 405B在推理任务上展现出显著更强的能力。Mistral Medium 3在长上下文推理方面也表现强劲。
-
LFM2 8B A1B模型基准测试结果喜忧参半
LFM2 8B A1B模型在MMLU-Pro基准测试中取得了50.5%的分数。然而，其在长上下文推理方面的表现却异常低下，仅获得1%的分数。这种差异表明评估方法可能存在问题，而不仅仅是反映了模型的实际能力。
-
Sarvam 30B 模型性能指标在基准测试中公布
Sarvam AI 发布了其 Sarvam 30B 模型，目前已公布多个基准测试的性能指标。该模型在 GPQA 上达到 63.3%，在 Humanity's Last Exam 上达到 7.5%，在 SciCode 上达到 19.2%。值得注意的是，它在长上下文推理任务上得分为 0%，并且其成本效益以每美元 136.2 智能点突出显示。
-
Llama、GLM 和 Mistral 模型发布 LLM 性能基准 · 跟踪 4 个来源
独立基准测试揭示了包括 Llama 3.2 Instruct 90B、GLM-4.7-Flash、Mistral Large 2 和 Llama 3.1 Instruct 8B 在内的多个大型语言模型的性能指标。数据突出了 GPQA、MMLU-Pro、Humanity's Last Exam 和 Long Context Reasoning 等各种评估的分数，一些模型还报告了每美元的智能点数。
-
LLM 基准测试显示 Kimi、Qwen3 和 Exaone 模型结果不一
独立基准测试揭示了几款大型语言模型在性能上的差异。Kimi K2 0905 在 GPQA 和 MMLU-Pro 上取得了高分，而 Qwen3 235B A22B 在这些指标上也表现良好，但在长上下文推理方面遇到困难。Exaone 4.0 在各项测试中得分较低，尤其是在推理任务方面。Qwen3 VL 4B 在其通用知识能力和处理困难推理挑战方面的表现之间存在显著差距。
-
LLM基准测试结果揭示多个模型的性能 · 追踪9个来源
一项最近的独立基准评估揭示了包括Kimi K2、Sarvam Maya、NVIDIA Nemotron 3 Super 120B、DeepSeek V3.2、Falcon H1R-7B、GLM-5.2、GLM-5.1、Solar Open 100B和GLM-4.7-Flash在内的多个大型语言模型的性能指标。基准测试涵盖了推理、MMLU-Pro、人类最后考试和长上下文推理等领域，不同模型的结果差异显著。值得注意的是，GLM-5.2和D…
-
DBRX Instruct 和 Mistral Medium 3 的基准测试结果公布
独立基准测试揭示了两款大型语言模型的性能指标。DBRX Instruct 在 GPQA 上获得 33.1% 的分数，在 MMLU-Pro 上获得 39.7%，在 Humanity's Last Exam 上获得 6.6%，在 LiveCodeBench 上获得 9.3%。Mistral Medium 3 表现出更高的性能，在 GPQA 上获得 57.8% 的分数，在 MMLU-Pro 上获得 76%，在 Humanity's Last…
-
开源大模型在多项指标上表现强劲 · 追踪 4 个来源
根据独立测量结果，几款开源人工智能模型在各种基准测试中表现强劲。Mi:dm K 2.5 Pro 在 GPQA 上达到 70.1%，在 MMLU-Pro 上达到 80.9%；MiMo-V2-Flash 在 GPQA 上达到 83.5%，在 Humanity's Last Exam 上达到 20%；Qwen3.5 122B A10B 在 GPQA 上达到 85.7%，在 Humanity's Last Exam 上达到 23.4%；Apr…