大模子在AIME、IMO等高难度竞赛中拿奖拿得手，仿佛仍是进化出了“东说念主类最强大脑”。但与此同期，要是你问大模子：“离洗车店只好 50 米，我是开车去照旧步辇儿去？”。这些堪称满分推理的模子，依然会一册郑重地为你计算导航线线。

这种看似知识丰富，但没学问的征象，恰是现时大模子评测的死穴：大模子天然擅长操心复杂的公式，却时时连一齐浅显的逻辑题齐答不合。

基于此，好意思团 LongCat 团队认真发布 General 365。咱们发现， 在对 26 款主流模子的实测中，现在地表最强的 Gemini 3 Pro 准确率仅为 62.8%，而绝大无数模子以致没能摸到 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”，第一次了了地勾画出了现时大模子在通用逻辑推理上的确切身手范围。

往时两年， 大模子推理评测高度鸠合在数学、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靠拢满分。 有关词，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阵势匹配，而非可泛化的逻辑推演身手。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，性能饱和导致折柳度断崖式下跌。

General 365的野心方针由此明确： 将配景知识甩手在K-12水平，显式解耦推理身手与专科知识，系统地评估模子在平淡场景下的通用推理水平。 它具备五项中枢特征：

高种种性： 365说念原创种子题目及1095个膨胀变体，全面隐敝八大挑战类型，幸免重迭特征与死记硬背；

高挑 战性 ： SOTA模子在此基准上也仅能拼集合格；

聚焦推理 ： 知识范围严格甩手在K-12，隧说念估量逻辑推理，而非知识检索；

严格东说念主工质检： 全量题目均流程东说念主工审核，隐敝题目野心、推理轨迹与最终谜底；

精确评分： 禁受搀杂轨则与模子的打分轨范，东说念主工抽样考证，评分准确率达99.6%。

要估量通用推理，当先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：

复杂遏抑： 多条款交汇下的全局一致性爱戴；

分支与胪列： 解 空间的系 统性遍历与范围隐敝；

时空推理： 空间相干涉时分序列的动态推演；

递归与回溯： 假定—考证—推翻的迭代纠错；

语义骚扰： 卓绝贯通陷坑，严格革职题设轨则；

隐式信息： 从碎屑印迹推断底层逻辑结构；

最优计谋： 多 旅途决议中的着力量度与计算；

概率与不细目性： 不十足信息下的概率推断。

图1：八个类别的题目数目散播

如上图所示，“复杂遏抑类”题目占比最大，“概率与不细目性类”也包含超 20 说念题目，确保了每个维度齐有宽裕的样本赞助。

图2：多标签题主义数目散播

如图2所示，近 70% 的题目同期具备两个或以上的类别标签，博亚体育这种复合型的推理任务野心更贴近确切寰球的逻辑复杂度。

题目质料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、种种性现实、数据后贬责、模子扩题与东说念主工审核，最终变成 1460 说念高质料题目。 为确保种种性经得起磨砺，团队从以下两个维度进行了考证：

语义散播： 如下 图所示， t-SNE 可视化中 General 365 的题目镶嵌的散播均匀分散，而 BBH 和 BBEH 均出现明显的赓续征象，知道了其潜在的逻辑冗余。

图3：三个基准的t-SNE语义散播对比

逻辑独处性： 如 下图所示，由 Gemini 3 Pro 对语义掌握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散播

手捏这把悉心校准的“标尺”，LongCat 团队对 26 款主流大模子张开了全面摸底。

图5：26款模子准确率名次

实测效率傲气， Gemini 3 Pro 以 62.8% 的得益力图夺冠，绝大无数模子则深陷 50%-60% 之间 未能涉及合格线。值得防备的是，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进展。

表1：各模子在八个类别上的准确率明细

将得益按八大维度剖释后，咱们了了地看到，“语义骚扰”与“最优计谋”成为主要的性能凹地。模子在这两项上的得分弥远比举座准确率低了约 10 个百分点。这不仅暴知道大模子极易被题干中的骚扰信息带偏，更突显了其在多步全局计算身手上的匮乏。

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”等任务上展现出了明显的身手分化。

图7：准确率与平均输出token长度的相干

在关心“答得对不合”的同期，“花了若干算力答对”通常迫切。如图7所示，Gemini 3 Pro 仅用约 14k tokens 就拿下了最高分，而得到掌握准确率的其他模子，其输出长度弥远暴涨至 25k-30k tokens。

图8：三个基准性能对比

General 365的难度究竟栽植了若干？如图8横向对比所示，各大模子在General 365上的准确率较BBH/BBEH齐弥远出现了大幅下跌的情况。其中GPT-5-Thinking在BBH上准确率为92.0%，在General 365上仅为58.6%。更迫切的是，如图9所示，模子在General 365上天然准确率明显偏低，但平均输出长度却显赫加多。这有劲确认了其难度来自更深的逻辑链条，而非毫意外旨的字数堆砌。

图9：三个基准上准确率与输出长度的相干

General 365将推理评测从专科知识依赖中剥离出来，让咱们直不雅地看到了大模子在 确切寰球的通用推理任务 上的短 板。 General 365 的初志不是为了在榜单上再多一个 99% 的高分博亚体育，而是为了寻找那条让模子从“作念题机器”走向“东说念主类贤达”的必经之路。 毕竟，一个能解出 IMO 艰辛却回复不出「步辇儿洗车」的模子，还不可被称为确凿的智能。