评测来源官方评测
Mystery Game Puzzles
Epoch AI / 推理 · 从陌生规则推导正确行动
在 AI热榜 中参与排名
证据预算1.2%
上游数据时间09/30 01:34
最近成功同步09/30 09:19
它测什么，怎么测
只取 Epoch 标准协议的 mean_score；题目不公开这一限制明确保留。
如何使用这份证据
正式计分；同题家族共用固定预算。
评测成绩
按固定规则，每个公开模型采用一套代表配置。匿名测试型号不展示，保留原榜名次，每项最多 30 个。
| 原榜名次 | 原榜型号 | 原始成绩 | 代表配置 |
|---|---|---|---|
| 1 | gpt-6-astra_maxOpenAI | 84.0% | Max 推理 |
| 2 | claude-opus-5-5_maxAnthropic | 71.0% | Max 推理 |
| 3 | claude-sonnet-5-5_max— | 65.0% | Max 推理 |
| 4 | claude-opus-5_maxAnthropic | 59.0% | Max 推理 |
| 5 | gpt-5.6-sol_maxOpenAI | 58.0% | Max 推理 |
| 5 | claude-fable-5-1_maxAnthropic | 58.0% | Max 推理 |
| 7 | gpt-5.5_xhighOpenAI | 56.0% | xHigh 推理 |
| 8 | claude-fable-5_maxAnthropic | 52.0% | Max 推理 |
| 10 | gemini-3.8-flash_highGoogle | 47.0% | High 推理 |
| 11 | deepseek-v4-pro-0813_maxDeepSeek | 43.0% | Max 推理 |
| 12 | qwen3.8-max_xhighAlibaba | 38.0% | xHigh 推理 |
| 13 | gpt-5.4-2026-03-05_xhighOpenAI | 37.0% | xHigh 推理 |
| 13 | gemini-3.7-flash_highGoogle | 37.0% | High 推理 |
| 16 | claude-opus-4-8_maxAnthropic | 36.0% | Max 推理 |
| 17 | gpt-5.6-terra_maxOpenAI | 35.0% | Max 推理 |
| 17 | claude-sonnet-5_maxAnthropic | 35.0% | Max 推理 |
| 19 | grok-4.6_xhighxAI | 34.0% | xHigh 推理 |
| 19 | deepseek-v4-flash-0731_maxDeepSeek | 34.0% | Max 推理 |
| 19 | gemini-3.1-pro-preview_highGoogle | 34.0% | High 推理 |
| 22 | glm-5.3_maxZ.ai | 33.0% | Max 推理 |
| 24 | qwen3.7-maxAlibaba | 32.0% | 来源默认配置 |
| 24 | gemini-3.5-flash_highGoogle | 32.0% | High 推理 |
| 28 | gemini-3.6-flash_highGoogle | 30.0% | High 推理 |
| 29 | o3-2025-04-16_highOpenAI | 29.0% | High 推理 |
| 31 | claude-opus-4-7_maxAnthropic | 28.0% | Max 推理 |
| 35 | kimi-k3_maxMoonshot AI | 26.0% | Max 推理 |
| 39 | claude-opus-4-6_maxAnthropic | 25.0% | Max 推理 |
| 39 | muse-spark-1.3_maxMeta | 25.0% | Max 推理 |
| 43 | gpt-5-2025-08-07_highOpenAI | 23.0% | High 推理 |
| 43 | gpt-5.2-2025-12-11_highOpenAI | 23.0% | High 推理 |
评测局限与数据署名
正式计分；同题家族共用固定预算。
数据许可：CC BY 4.0 · Epoch AI 自行评测数据
成绩由 Epoch AI 发布，原始分数与 AI热榜 共识分使用不同尺度，不能直接相加。