Humanity's Last Exam

Un benchmark de niveau frontière avec 2 500 questions validées par des experts en mathématiques, sciences et sciences humaines, conçu pour être l'évaluation académique finale à questions fermées.

Modèles: 267 actuel, 684 au total
Médiane: 12.0%
Plage: 1.1%–74.3%

Distribution des scores

Le plus bas: 1.1%
Médiane: 12.0%
Le plus élevé: 74.3%

Classement

Inclure les modèles obsolètes

Données de Artificial Analysis

Rang	Comparer	Modèle	Score
251		Granite 4.0 H Small IBM	3.8%
252		Mistral Small 4 (Non-reasoning) Mistral	3.8%
253		Llama 4 Scout Meta	3.8%
254		DeepHermes 3 - Mistral 24B Preview (Non-reasoning) Nous Research	3.8%
255		Phi-4 Microsoft	3.8%
256		Gemma 4 E4B (Reasoning) Google	3.8%
257		Jamba Reasoning 3B AI21 Labs	3.8%
258		Jamba 1.7 Large AI21 Labs	3.7%
259		Gemma 3 270M Google	3.6%
260		K2-V2 (Low) Institute of Foundation Models	3.6%
261		Hermes 4 - Llama-3.1 70B (Non-reasoning) Nous Research	3.6%
262		Llama 3.3 Instruct 70B Meta	3.6%
263		ERNIE 4.5 300B A47B Baidu	3.3%
264		Nova 2.0 Lite (Non-reasoning) Amazon	2.9%
265		Qwen3.5 2B (Reasoning) Alibaba	2.6%
266		Kimi Linear 48B A3B Instruct Kimi	2.5%
267		Qwen3.5 0.8B (Reasoning) Alibaba	1.1%

251
Granite 4.0 H Small
IBM
3.8%
252
Mistral Small 4 (Non-reasoning)