Artificial Analysis 上线 HLE-Diamond 榜单，Gemini 4 Carbon 领跑

我们发布了 HLE-Diamond 排行榜，这是我们对 Humanity“s Last Exam 精炼版 1000 道题的独立评测，作为 Artificial Analysis 智能指数 v5 的一部分。

HLE-Diamond 由 @CAIS 和 @scale_AI 发布，经过一年时间，结合研究社区的反馈，对原始 Humanity”s Last Exam 数据集进行了清洗和精炼。它包含 1000 道封闭式问题，推理题和知识题各占一半，其中 272 道题配有图片。

我们使用官方 HLE 系统提示词，在无工具的情况下对每道题运行一次。GPT-5.6 Luna（medium）使用官方 HLE 评判提示词，将每个答案与参考答案进行比对打分，我们报告被判定为正确的题目比例（pass@1）。

主要结论：
➤ 目前只有 17 个模型变体（约 13%）得分超过 50%：Gemini 4 Carbon（high）以 69% 领先，其次是 Claude Opus 5.5（max）的 68%。
➤ 模型在推理题上的得分高于知识题：我们评测的模型中，超过 90% 在推理部分表现更好。Gemini 4 Carbon（high）在两部分均领先，推理 80%，知识 59%。Claude Opus 5.5（max）和 GPT-6 Astra（max）的推理得分均为 78%，而 Opus 5.5 在知识题上领先，58% 对 50%。
➤ 开放权重模型落后超过 30 分：Kimi K3.1 Pro（权重尚未发布）以 37% 成为得分最高的开放权重模型，其次是 MiniMax-M3.1-Flash 的 28% 和 Kimi K3（max）的 27%。