美团LongCat发布General 365推理评测基准：揭示大模型推理能力瓶颈

核心要点

• 美团发布新基准：LongCat团队正式推出General 365，专注于评估大模型的深度推理能力。
• 覆盖主流模型：该评测对当前市场上26款主流大模型进行了实测对比。
• 顶尖模型表现受限：目前性能领先的Gemini 3 Pro在测试中仅获得62.8%的准确率。
• 行业整体水平待提升：绝大多数参测模型未能达到60分的及格线，显示出推理能力的普遍不足。

详细分析

推理评测的新标尺：General 365 的发布背景

美团技术团队旗下的 LongCat 团队正式推出了名为 General 365 的推理评测基准。在当前大模型技术飞速发展的背景下，评估模型在复杂逻辑推理任务中的表现变得至关重要。General 365 的出现，旨在为行业提供一个更具挑战性、更能反映模型真实推理水平的测试工具。通过对 26 款主流模型的全面实测，该基准不仅展示了当前技术的尖端水平，也揭示了行业整体在处理高难度推理任务时存在的短板。这一基准的发布，标志着大模型评价体系正在从基础对话能力向高阶逻辑推理能力演进。

性能鸿沟：从 Gemini 3 Pro 的表现看推理难题

在 General 365 的实测数据中，Gemini 3 Pro 作为目前性能最强的模型之一，其准确率仅为 62.8%。这一数据具有重要的参考意义：它设定了当前 AI 推理能力的上限，同时也表明即便是最顶尖的模型，在面对 General 365 所设定的推理挑战时，仍有近 40% 的错误率。更令人关注的是，参与测试的绝大多数模型甚至未能触及 60 分的及格线。这种普遍性的“不及格”现象，说明了 General 365 评测维度的严苛性，也反映出当前主流模型在逻辑链条构建、复杂问题拆解等深度推理环节仍存在显著的提升空间。这种性能鸿沟提示开发者，未来的模型优化需要更多地关注底层推理逻辑的构建。

行业影响

General 365 的发布对 AI 行业具有深远的影响。首先，它打破了以往部分评测基准可能存在的“分数虚高”现象，通过高难度的题目设计，逼出了模型的真实底色，为行业树立了更高难度的推理评测新标尺。其次，Gemini 3 Pro 的实测得分以及多数模型不及格的现状，将促使全球 AI 研发团队重新审视现有的训练策略，将研发重心从单纯的参数规模扩张，转向对模型逻辑推理能力的深度优化。最后，作为由美团技术团队推出的基准，它也展示了国内互联网巨头在 AI 基础设施和评价体系建设方面的贡献，为后续全球大模型的迭代演进提供了明确的参照系和动力。

常见问题

问题 1：General 365 评测中表现最好的模型是谁？

根据美团 LongCat 团队发布的数据，在实测的 26 款主流模型中，Gemini 3 Pro 表现最为出色，但其准确率也仅为 62.8%。

问题 2：目前主流大模型在 General 365 上的整体表现如何？

整体表现不容乐观。除了极少数顶尖模型外，绝大多数参测模型的准确率均低于 60%，未能达到及格线，这表明复杂推理仍是当前大模型面临的核心挑战之一。

问题 3：General 365 的发布对 AI 开发者有什么意义？

它提供了一个更高难度的推理能力评估标准，帮助开发者识别模型在逻辑推理方面的不足，从而引导技术研发向更深层次的认知智能方向突破。