美团LongCat开源General 365推理评测集：Gemini 3 Pro仅获62.8分

核心要点

• 发布新标尺：美团LongCat团队正式开源General 365通用推理评测集。
• 覆盖范围广：该评测集对全球26款主流大模型进行了深度实测。
• 顶尖模型受挫：目前公认最强的Gemini 3 Pro在测试中准确率仅为62.8%。
• 行业普遍低分：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短板。

详细分析

General 365：推理能力的新试金石

美团LongCat团队推出的General 365评测集，其核心目标是解决当前大模型评测中存在的“高分低能”现象。随着大模型在基础对话和信息检索领域的成熟，行业亟需一个能够真实反映模型逻辑推理、复杂问题解决能力的深度基准。General 365的出现，不仅是美团技术团队在AI基础设施领域的一次重要贡献，更是为全球开发者提供了一个衡量模型真实“智力”水平的严苛参考框架。通过开源这一工具，美团旨在推动行业从关注模型参数规模转向关注核心推理质量。

现状审视：及格线下的集体挑战

根据美团公布的实测数据，当前大模型在处理复杂推理任务时的表现不容乐观。即便是被视为行业天花板的Gemini 3 Pro，其准确率也仅维持在62.8%的水平。更令人深思的是，在参与测试的26款主流模型中，绝大多数模型的得分甚至没能摸到60分的及格线。这一数据有力地证明了，尽管大模型在语言生成和多模态交互上取得了长足进步，但在严密的逻辑链条构建和深层推理方面，依然存在明显的技术瓶颈。这种“集体不及格”的现状，为后续的模型优化提供了明确的靶向。

评测维度的深度思考

General 365之所以能成为“新标尺”，在于其设计逻辑可能跳出了传统评测集的范畴。在26款模型的横向对比中，得分的断层分布反映了不同架构、不同训练策略在处理推理任务时的差异性。Gemini 3 Pro的领先虽然微弱，但依然体现了顶尖模型在复杂逻辑处理上的微弱优势。而对于大多数未能及格的模型而言，如何在保持通用能力的同时，通过算法改进或高质量推理数据的强化训练来跨越60分大关，将成为下一阶段竞争的焦点。

行业影响

General 365的发布将对AI行业产生深远影响。首先，它打破了部分模型在简单评测集中刷分的幻象，迫使研发团队直面推理能力的短板。其次，作为开源项目，它降低了中小团队进行高质量评测的门槛，有助于加速推理算法的迭代。最重要的是，这一标尺的确立将引导行业资源向更具价值的逻辑推理领域倾斜，推动大模型从“能言善辩”向“深度思考”进化。美团此举不仅展示了其在AI技术前沿的洞察力，也通过开源生态建设提升了其在行业标准制定中的话语权。

常见问题

问题 1：什么是General 365评测集？

General 365是由美团LongCat团队发布的通用推理评测集，专门用于评估大模型在复杂逻辑推理任务中的准确性和稳定性，旨在为行业提供更高标准的性能衡量基准。

问题 2：为什么Gemini 3 Pro的准确率只有62.8%？

这反映了General 365评测集的难度极高。62.8%虽然在百分制下看似不高，但在该评测体系中已是26款主流模型中的最高分，说明即使是目前最顶尖的模型，在处理复杂推理问题时仍有很大提升空间。

问题 3：绝大多数模型不及格意味着什么？

这意味着当前主流大模型在逻辑推理这一核心能力上仍处于初级阶段。多数模型无法稳定处理复杂的逻辑链条，这为未来的模型研发指明了方向，即需要更专注于提升模型的深层推理和逻辑构建能力。