厂商自报原文记录
厂商自报，未经本平台复测；不同厂商测试条件可能不同，不宜直接横向比较。
DeepSeek-R1 · DeepSeek
- MMLU-Pro：84.0（EM） 厂商原文
- GPQA Diamond：71.5（Pass@1） 厂商原文
- LiveCodeBench：65.9（Pass@1-COT） 厂商原文
- SWE-bench Verified：49.2（Resolved） 厂商原文
- AIME 2024：79.8（Pass@1） 厂商原文
- MATH-500：97.3（Pass@1） 厂商原文
Kimi-K2-Instruct · Moonshot AI / Kimi
- LiveCodeBench：53.7（Pass@1） 厂商原文
- SWE-bench Verified：51.8（Single Patch w/o Test (Acc)） 厂商原文
- SWE-bench Verified：65.8%（Single Attempt (Acc)） 厂商原文
- SWE-bench Verified：71.6%（Multiple Attempts (Acc)） 厂商原文
- AIME 2025：49.5（Avg@64） 厂商原文
- MATH-500：97.4（Acc） 厂商原文
- GPQA Diamond：75.1（Avg@8） 厂商原文
- MMLU-Pro：81.1（EM） 厂商原文
Qwen3-235B-A22B-Instruct-2507 · 阿里巴巴 / Qwen
