DataLearner 标志

GPT-5-mini 评测详情

GPT-5-mini 当前已收录的代表性评测结果包括 FrontierMath(18 / 60,得分 19.30)、Terminal Bench Hard(86 / 244,得分 33.30)、MMLU-Pro(74 / 175,得分 78)。

评测结果

GPT-5-mini

评测结果

思考模式
工具使用

综合知识考试

共 3 项评测
评测名称 / 模式
得分
排名/总数
MMLU-Pro
开启思考
78
74 / 175
HLE
开启思考
5
227 / 235
HLE
unknown
19.44
159 / 235

抽象归纳与泛化

共 6 项评测
评测名称 / 模式
得分
排名/总数
ARC-AGI-1
思考水平·低工具
26.33
168 / 193
ARC-AGI-1
思考水平·中工具
37.33
157 / 193
ARC-AGI-1
思考水平·高工具
54.33
140 / 193
ARC-AGI-2
思考水平·低工具
0.83
173 / 181
ARC-AGI-2
思考水平·中工具
4.03
148 / 181
ARC-AGI-2
思考水平·高工具
4.44
146 / 181

科学知识与推理

共 2 项评测
评测名称 / 模式
得分
排名/总数
GPQA Diamond
开启思考
69
187 / 253
CritPt
思考水平·中
1.40
139 / 204

算法与竞赛编程

共 2 项评测
评测名称 / 模式
得分
排名/总数
CodeClash
常规模式工具
1200
5 / 8
LiveCodeBench
开启思考
55
88 / 125

数学

共 11 项评测
评测名称 / 模式
得分
排名/总数
AIME2025
常规模式
47
99 / 110
AIME2025
开启思考
47
99 / 110
AIME2025
思考水平·高工具
87.50
49 / 110
FrontierMath v2
思考水平·低
18.25
53 / 58
FrontierMath v2
思考水平·高
46.67
30 / 58
FrontierMath
思考水平·中
19.30
18 / 60
FrontierMath
思考水平·高
19
20 / 60
FrontierMath Tier 4 v2
思考水平·高
12.20
31 / 42
FrontierMath - Tier 4
思考水平·中
4.20
40 / 80
FrontierMath - Tier 4
思考水平·高
6.30
35 / 80
MathArena Apex
思考水平·高工具
1.04
14 / 17

写作与创意表达

共 1 项评测
评测名称 / 模式
得分
排名/总数
Creative Writing
常规模式
1313
76 / 110

自主开发与终端任务

共 4 项评测
评测名称 / 模式
得分
排名/总数
Terminal Bench Hard
常规模式工具
14.40
170 / 244
Terminal Bench Hard
思考水平·中工具
28.80
116 / 244
Terminal Bench Hard
思考水平·高工具
33.30
86 / 244
Terminal-Bench
开启思考
14
33 / 35

跨能力综合测试

共 3 项评测
评测名称 / 模式
得分
排名/总数
LiveBench
常规模式
61
68 / 117
LiveBench
思考水平·低
53.07
87 / 117
LiveBench
思考水平·高
65.91
51 / 117

跨应用与工具编排

共 1 项评测
评测名称 / 模式
得分
排名/总数
Pinch Bench
开启思考工具
80.30
24 / 38

图像感知与视觉推理

共 5 项评测
评测名称 / 模式
得分
排名/总数
MMMU-Pro
常规模式
58.40
182 / 229
MMMU-Pro
思考水平·中
68.80
141 / 229
MMMU-Pro
思考水平·高
70.10
130 / 229
VPCT
思考水平·中
40.20
14 / 24
VPCT
思考水平·高
39
18 / 24

科学计算与科研编程

共 1 项评测
评测名称 / 模式
得分
排名/总数
SciCode
思考水平·高
39
110 / 134

客服与业务流程

共 2 项评测
评测名称 / 模式
得分
排名/总数
SAGE
思考水平·高工具
43
38 / 64
τ³-Banking
思考水平·高工具
15.50
109 / 167

机器学习工程

共 1 项评测
评测名称 / 模式
得分
排名/总数
WeirdML v2
思考水平·高工具
52.67
34 / 52

跨长文理解与整合

共 1 项评测
评测名称 / 模式
得分
排名/总数
Fiction.liveBench
思考水平·中
69.40
11 / 16

文档与图表理解

共 1 项评测
评测名称 / 模式
得分
排名/总数
GDP.pdf
思考水平·高
8.40
90 / 122

程序生成与编辑

共 1 项评测
评测名称 / 模式
得分
排名/总数
Vibe Code Bench v1.1
思考水平·高工具
14.17
53 / 61

临床工作与医疗决策

共 2 项评测
评测名称 / 模式
得分
排名/总数
MedScribe
思考水平·高工具
80.58
39 / 66
MedCode
思考水平·高工具
43.05
36 / 64

跨能力聚合指数

共 1 项评测
评测名称 / 模式
得分
排名/总数
ECI
unknown
145.51
75 / 167