大模子在AIME、IMO等高难度竞赛中拿奖拿得手，仿佛依然进化出了“东说念主类最深广脑”。但与此同期，淌若你问大模子：“离洗车店只消 50 米，我是开车去照旧走路去？”。这些堪称满分推理的模子，依然会一册正经地为你计议导航线线。

这种看似知识丰富，但没学问的茂盛，恰是现时大模子评测的死穴：大模子诚然擅长操心复杂的公式，却经常连一齐苟简的逻辑题皆答不合。

基于此，好意思团 LongCat 团队平定发布 General 365。咱们发现， 在对 26 款主流模子的实测中，当今地表最强的 Gemini 3 Pro 准确率仅为 62.8%，而绝大大皆模子以致没能摸到 60 分的合格线。

这份基准将焦点从“学科推理”拓展到“通用推理”，第一次澄清地勾画出了现时大模子在通用逻辑推理上确实切武艺界限。

昔日两年， 大模子推理评测高度纠合在数学、物理、编程等依赖专科知识的任务上，头部模子在各大题库上以致迫临满分。 然则，学科推理得分高，并不就是通用推理强 ——高分可动力于模子对西宾语料的暴力操心与神态匹配，而非可泛化的逻辑推演武艺。现存通用推理基准（如BBH、BBEH）濒临两大瓶颈：任务模板化导致逻辑同质严重，性能饱和导致分离度断崖式着落。

General 365的打算方针由此明确： 将配景知识为止在K-12水平，显式解耦推理武艺与专科知识，系统地评估模子在普通场景下的通用推理水平。 它具备五项中枢特征：

高各种性： 365说念原创种子题目及1095个膨大变体，全面袒护八大挑战类型，幸免重叠特征与死记硬背；

高挑 战性 ： SOTA模子在此基准上也仅能拼辘集格；

聚焦推理 ： 知识界限严格为止在K-12，正直计议逻辑推理，而非知识检索；

严格东说念主工质检： 全量题目均历程东说念主工审核，袒护题目打算、推理轨迹与最终谜底；

精确评分： 经受羼杂公法与模子的打分方法，东说念主工抽样考据，评分准确率达99.6%。

要计议通用推理，最初要明确它包含哪些中枢挑战？General 365 将其拆解为八个维度，每说念题至少对应其一：

复杂敛迹： 多要求交汇下的全局一致性防御；

分支与胪列： 解 空间的系 统性遍历与界限袒护；

时空推理： 空间干系与时辰序列的动态推演；

递归与回溯： 假定—考据—推翻的迭代纠错；

语义搅扰： 逾越领略陷坑，严格罢黜题设公法；

隐式信息： 从碎屑足迹揣摸底层逻辑结构；

最优政策： 多 旅途决策中的着力量度与计议；

概率与不细目性： 不澈底信息下的概率揣摸。

图1：八个类别的题目数目分散

如上图所示，“复杂敛迹类”题目占比最大，“概率与不细目性类”也包含超 20 说念题目，确保了每个维度皆有满盈的样本支撑。

图2：多标签题方针数目分散

如图2所示，近 70% 的题目同期具备两个或以上的类别标签，江南app体育官网下载这种复合型的推理任务打算更贴近确切寰宇的逻辑复杂度。

题目质地是评测基准可靠性的根基。 General 365 的种子题目全部东说念主工原创，并经难渡过滤、各种性推论、数据后惩办、模子扩题与东说念主工审核，最终造成 1460 说念高质地题目。 为确保各种性经得起本质，团队从以下两个维度进行了考据：

语义分散： 如下 图所示， t-SNE 可视化中 General 365 的题目镶嵌的分散均匀分散，而 BBH 和 BBEH 均出现赫然的纠合茂盛，流露了其潜在的逻辑冗余。

图3：三个基准的t-SNE语义分散对比

逻辑孤独性： 如 下图所示，由 Gemini 3 Pro 对语义左近的题目对进行推理旅途相似度评分（0-5分），General 365 平均仅得 2.16 分，远低于 BBH 和 BBEH。这意味着在 General 365 中，模子无法再靠“背模板”蒙混过关。

图4：三个基准的推理旅途相似度评分分散

手合手这把尽心校准的“标尺”，LongCat 团队对 26 款主流大模子伸开了全面摸底。

图5：26款模子准确率排名

实测效果炫耀， Gemini 3 Pro 以 62.8% 的收成深奥夺冠，绝大大皆模子则深陷 50%-60% 之间 未能波及合格线。值得精明的是，尽管非推理模子举座稍逊一筹，但 Qwen 3 Max Instruct 等个别模子依然展现出了亮眼的阐明。

表1：各模子在八个类别上的准确率明细

将收成按八大维度领悟后，咱们澄清地看到，“语义搅扰”与“最优政策”成为主要的性能凹地。模子在这两项上的得分普遍比举座准确率低了约 10 个百分点。这不仅暴浮现大模子极易被题干中的搅扰信息带偏，更突显了其在多步全局计议武艺上的匮乏。

图6：不同模子系列在八个类别上的雷达图

如图6的雷达图所示，不同系列的模子在“隐式信息”等任务上展现出了赫然的武艺分化。

图7：准确率与平均输出token长度的干系

在暄和“答得对不合”的同期，“花了若干算力答对”雷同伏击。如图7所示，Gemini 3 Pro 仅用约 14k tokens 就拿下了最高分，而赢得左近准确率的其他模子，其输出长度普遍暴涨至 25k-30k tokens。

图8：三个基准性能对比

General 365的难度究竟耕作了若干？如图8横向对比所示，各大模子在General 365上的准确率较BBH/BBEH皆普遍出现了大幅着落的情况。其中GPT-5-Thinking在BBH上准确率为92.0%，在General 365上仅为58.6%。更伏击的是，如图9所示，模子在General 365上诚然准确率赫然偏低，但平均输出长度却权臣加多。这有劲阐述了其难度来自更深的逻辑链条，而非毫无风趣风趣的字数堆砌。

图9：三个基准上准确率与输出长度的干系

General 365将推理评测从专科知识依赖中剥离出来江南体育(JNsports)官网app下载，让咱们直不雅地看到了大模子在 确切寰宇的通用推理任务 上的短 板。 General 365 的初志不是为了在榜单上再多一个 99% 的高分，而是为了寻找那条让模子从“作念题机器”走向“东说念主类机灵”的必经之路。 毕竟，一个能解出 IMO 清贫却回应不出「走路洗车」的模子，还不行被称为确切的智能。