HLE-Full

temperature=1.0, top_p=0.95HLE 完整版评测集，包含全部未经过滤的高难度题目。与标准版相比覆盖更广的知识领域和更多样化的题型，用于全面评估 AI 系统的极限知识推理能力。

推理官方网站

#	模型		得分 (%)	厂商	来源
1	Claude Fable 5		59	Anthropic	Claude Fable 5 技术报告
2	Claude Mythos Preview		56.8	Anthropic	Claude Fable 5 技术报告
3	Muse Spark 1.1		52.2	Meta	Meta Muse Spark 1.1 Evaluation Report
4	Claude Opus 4.8		49.8	Anthropic	Meta Muse Spark 1.1 Evaluation Report
5	Gemini 3.1 Pro		45.4	Google	Meta Muse Spark 1.1 Evaluation Report
6	GPT-5.5		44.8	OpenAI	Meta Muse Spark 1.1 Evaluation Report
7	Claude Sonnet 5		43.2	Anthropic	Claude Sonnet 5 技术报告
8	Muse Spark		42.8	Meta	Meta Muse Spark 1.1 Evaluation Report
9	Claude Opus 4.6		40	Anthropic	Kimi K2.6 技术报告
10	GPT-5.4		39.8	OpenAI	Kimi K2.6 技术报告