美团LongCat发布General 365推理评测：Gemini 3 Pro仅获62.8分，多数模型不及格

核心要点

• 发布全新标尺：美团LongCat团队正式推出General 365推理评测集，旨在为大模型逻辑推理能力提供更精准的度量工具。
• 主流模型横测：本次评测涵盖了26款当前市场上的主流大模型，展现了行业整体的推理技术现状。
• 顶尖水平受限：实测数据显示，目前表现最强的Gemini 3 Pro准确率仅为62.8%，远未达到完美水平。
• 行业普遍困境：绝大多数参与测试的模型准确率未能触及60%的及格线，反映出推理能力仍是大模型发展的核心瓶颈。

详细分析

推理评测的新高度：General 365的诞生

随着大语言模型在对话生成、文本创作等领域取得突破，行业对于模型深度逻辑推理能力的关注度日益提升。美团LongCat团队推出的General 365评测集，正是针对这一核心需求而设计的。该评测集不仅是一个简单的测试题目库，更是对模型在复杂逻辑链条、多步推理以及严谨性方面的一次全面体检。通过对26款主流模型的实测，General 365展现出了极高的区分度，能够有效识别出模型在处理高难度推理任务时的真实表现，填补了当前推理能力量化评估的空白。

现状透视：及格线下的集体挑战

在本次公布的实测数据中，最引人注目的莫过于主流模型的集体“遇冷”。即便是在全球范围内被公认为顶尖水平的Gemini 3 Pro，在General 365的测试中也仅获得了62.8%的准确率。这一结果不仅说明了General 365测试题目的严苛性，更揭示了一个残酷的现实：当前大模型在逻辑推理的稳定性与准确性上，距离人类的理想预期仍有较大差距。更令人深思的是，绝大多数受测模型甚至未能达到60分的及格线，这意味着在面对复杂的逻辑推演时，现有模型依然存在显著的随机性和错误率，推理能力的提升已成为大模型迈向通用人工智能（AGI）道路上必须攻克的难关。

行业影响

General 365的发布对AI行业具有深远的指导意义。首先，它为大模型研发团队提供了一个清晰的对标基准，有助于开发者精准定位模型在推理逻辑上的短板，从而进行针对性的优化。其次，这一评测结果打破了市场对于大模型能力的盲目乐观，促使行业回归理性，将研发重心从单纯的参数规模扩张转向逻辑推理质量的深耕。对于企业用户而言，General 365提供的数据参考能够帮助其在选择模型方案时，更加客观地评估模型在实际业务逻辑处理中的可靠性。长远来看，这种高标准的评测体系将加速推动逻辑增强型技术的研究，引领AI行业进入以“深度推理”为核心的新竞争阶段。

常见问题

什么是General 365评测集？

General 365是由美团LongCat团队发布的针对大模型推理能力的全新评测基准。它通过对26款主流模型进行实测，旨在为行业提供一个衡量逻辑推理水平的高标准标尺。

目前在General 365测试中表现最好的是哪个模型？

根据美团技术团队公布的数据，Gemini 3 Pro是目前实测中表现最强的模型，其准确率为62.8%，位居26款主流模型之首。

为什么说目前大模型的推理能力仍有待提高？

因为在General 365的实测中，绝大多数主流模型的准确率都未能达到60%的及格线。即使是表现最好的模型也仅有62.8%的准确率，这表明大模型在处理复杂推理任务时依然面临严峻挑战。