生物 / 化学 / 物理的专家级选择题 (只选取专家才能答对的部分、GPQA diamond)

如何看这张表

• 越靠上评价越高，像“第 1〜⁠2 名”这样以范围显示的模型之间的差在误差范围内。
• 评价是共同题目中答对题目的比例 (%)。
• ± 是重新测量时会变动的幅度，细微的差异不必在意。
• 价格是每 100 万 token 的参考，依次为让它读的部分、让它写的部分。
• 长度是一次能让它读的文本量 (token)。