美团LongCat发布General 365评测基准：主流AI模型推理能力普遍面临挑战

核心要点

• 发布全新基准：美团LongCat团队正式推出名为General 365的推理评测基准，旨在为大模型推理能力提供更严苛的衡量标准。
• 覆盖范围广泛：该评测涵盖了目前市场上的26款主流大模型，具有较强的行业代表性。
• 顶尖模型表现受限：实测数据显示，目前性能极强的Gemini 3 Pro在General 365上的准确率仅为62.8%。
• 行业整体水平待提升：绝大多数受测模型未能达到60分的及格线，反映出当前AI在深度推理方面仍有巨大进步空间。

详细分析

General 365：推理能力的新试金石

美团LongCat团队此次发布的General 365评测基准，聚焦于大模型的核心竞争力——推理能力。在AI技术飞速发展的当下，传统的评测标准往往难以区分顶尖模型之间的细微差距。General 365的出现，通过对26款主流模型的实测，展示了一个残酷的现实：在更高难度的推理维度下，现有的AI模型依然面临严峻挑战。这一基准的发布，不仅是美团技术团队在AI评价体系上的重要贡献，也为行业提供了一个观察模型真实性能的新窗口。

现状严峻：主流模型普遍“不及格”

根据美团技术团队公布的实测数据，当前大模型的推理表现并不乐观。即便是在行业内被视为标杆的Gemini 3 Pro，其准确率也仅维持在62.8%的水平。更令人关注的是，在参与测试的26款模型中，绝大多数模型的得分甚至没能触及60分的及格线。这意味着，尽管大模型在语言生成、创意写作等领域表现出色，但在逻辑严密、步骤复杂的推理任务中，现有的技术架构和训练方法仍存在明显的短板。这种“普遍不及格”的现象，说明了推理能力依然是大模型通往通用人工智能（AGI）道路上的关键瓶颈。

行业影响

General 365的发布对AI行业具有深远意义。首先，它打破了部分模型在简单评测中表现出的“性能通胀”幻象，迫使开发者重新审视模型在复杂逻辑处理上的真实水平。其次，Gemini 3 Pro仅62.8%的得分，为全球AI研发团队设定了一个明确的追赶目标，同时也指明了未来技术突破的方向——即如何从简单的模式匹配转向深层的逻辑推理。美团此举将推动行业从单纯追求参数规模转向追求更高质量的推理效率，助力AI技术在更复杂的实际业务场景中落地。

常见问题

问题 1：General 365评测的主要对象是谁？

美团LongCat团队发布的General 365主要针对目前市场上的主流大模型进行评测。在首批公布的数据中，共涵盖了26款具有代表性的模型，旨在全面评估当前AI行业的推理技术现状。

问题 2：为什么Gemini 3 Pro在General 365上的得分只有62.8%？

虽然Gemini 3 Pro被认为是目前性能极强的模型，但General 365设定了极高的推理难度。62.8%的准确率反映了该基准测试的严苛性，也说明了即使是顶尖模型，在处理复杂推理任务时依然存在较大的提升空间。

问题 3：绝大多数模型得分低于60分意味着什么？

这意味着当前主流大模型在面对General 365所设定的推理挑战时，整体表现尚未达到理想的合格水平。这揭示了推理能力是目前AI技术发展的核心薄弱环节，也是未来行业研发需要重点攻克的方向。