一道化学题，四个选项，答对率25%靠蒙。但有一群博士，认真作答也只拿到69.7%。这就是GPQA Diamond，目前大模型评测里最不客气的一张卷子。

它不考常识，不考代码，专挑生物、物理、化学三个方向里连专家都要想一会儿的题。出题人本身就是这些领域的博士，或者正在读博的人。题目设计的目标很直接：让非专家即使能上网随便查，也答不出来。

打开网易新闻 查看精彩图片

198道题，怎么来的

GPQA全称是Graduate-Level Google-Proof Q&A，直译过来就是"研究生级别、谷歌也搜不到答案的问答"。它是一套多选题数据集，覆盖生物、物理、化学。

Epoch AI跑评测时，用的不是完整版，而是其中的Diamond子集。这个子集是从主数据集里筛出来的，标准有两条：质量更高，难度更大。

具体怎么筛？每道题都要满足一个条件——领域内的专家标注者能答对，但大多数非领域专家会答错。最终留下来的，是198道题。

这个筛选逻辑决定了Diamond的定位：它不是用来测"模型知不知道"，而是用来测"模型能不能像专家一样推理"。

25%是蒙，69.7%是人

因为是四选一，随机乱猜的基线准确率就是25%。这个数字很关键，它是一条底线——低于它，说明模型连蒙都没蒙对。

那人类专家什么水平？OpenAI为了把o1模型和人类做对比，专门招募了一批博士级专家来答GPQA Diamond的题，结果是69.7%。

这个分数不算高。换句话说，即便是受过多年专业训练的博士，在这套题上也会错掉三成左右。题目本身的难度，从这组对比里能看出来。

Epoch AI在评测时用的提示词来自simple-evals库，要求模型按步骤思考，最后一行必须输出固定格式：ANSWER加字母，字母是ABCD中的一个。

格式错了，直接零分

这里有个容易被忽略的细节：如果模型的回答不符合"ANSWER: LETTER"这个格式，这道题就拿不到分。

不是扣分，是零分。这种严格打分可能带来一个反直觉的结果——模型如果格式写得乱七八糟，最终准确率甚至可能低于25%的随机基线。

Epoch AI也解释了，他们部分GPQA Diamond分数低于25%，原因就在这里。不是模型不会答，是它没按规矩把答案写出来。

2026年2月20日，Epoch AI更新了GPQA的答案格式要求，从原来的写法改成ANSWER: LETTER，以匹配评测流程实际解析的格式。这次小改动之后，基准版本号升到了1.0.6。

Grok 4遇到的麻烦

评测过程中还碰到过技术问题。2025年7月，Epoch AI在使用API评测grok-4-0709时，遇到了超时和网络错误。

因此，截至2025年7月，他们对Grok 4采用了一套特定的评分规则。在OTIS Mock AIME 2024-2025、GPQA Diamond和FrontierMath-Tier-4-2025-07-01-Private这几项上，每次请求的最大输出长度设为128000个token，而默认是不设上限的。这个设置是xAI建议的。

如果请求因为网络错误或超时失败，对应的样本会直接进入评分阶段，通常会被判为错误。Epoch AI说明，这么做是因为这些评测对时间非常敏感。

另外，FrontierMath-2025-02-28-Private用的是标准设置，记录ID是gda5UeWrA8HcbDCRuLJ56H，走的是流式API。290道题里有1道没被评分，原因是服务器没有返回任何响应。他们允许最多1%的样本失败而不计分。

谁出钱，谁说了算

xAI为这次评测向Epoch AI提供了补偿，并给了算力额度。

Epoch AI特别声明：没有签署任何保密协议，保持了完整的编辑独立性，无论模型表现如何，所有结果都会照常发布。

这句话放在当下的大模型评测环境里，分量不轻。评测机构的独立性，直接决定了榜单上的数字能不能被当真。

回到GPQA Diamond本身，它的价值或许就在于那道门槛：25%是运气，69.7%是博士的水平。模型要证明自己不只是会搜答案，就得先跨过这条线。