评测集定义与方法论见 humanitys-last-exam。本页只放分数。
⚠️ HLE 没有唯一权威数字，至少三套口径并存——引用任何 HLE 分数必须先带协议说明。
口径 A：带工具 agent 全集（benchlm.ai，2026-08-13 更新，48 模型）
| # | 模型 | 厂商 | 权重 | 分数 |
|---|---|---|---|---|
| 1 | Claude Opus 5 | Anthropic | 闭源 | 64.7% |
| 2 | Claude Mythos 5 | Anthropic | 闭源 | 64.5% |
| 3 | Muse Spark 1.1 | Meta | 闭源 | 62.1% |
| 4 | GPT-5.4 Pro | OpenAI | 闭源 | 58.7% |
| 5 | Claude Opus 4.8 | Anthropic | 闭源 | 57.9% |
| 6 | Claude Sonnet 5 | Anthropic | 闭源 | 57.4% |
| 7 | GPT-5.5 Pro | OpenAI | 闭源 | 57.2% |
| 8 | Kimi K3 | Moonshot AI | 闭源 | 56.0% |
| 9 | GLM-5.2 | Z.AI | 开源 | 54.7% |
| 10 | Claude Opus 4.7 (Adaptive) | Anthropic | 闭源 | 54.7% |
| 11-15 | Opus 4.6 53.0% · GLM-5.1 52.3% · GPT-5.5 52.2% · GPT-5.4 52.1% · GLM-5 50.4% | |||
| 16-20 | Muse Spark 50.4% · Sonnet 4.6 49.0% · MiMo-V2.5-Pro 48.0% · Inkling-Small 47.8% · Agents-A1 47.6% |
（开源权重最佳：GLM-5.2 54.7%，第 9；尾部 Gemini 2.5 Pro 18.8%、DeepSeek V4 Flash 8.1%）
口径 B：闭卷/不带工具（Artificial Analysis 方法）
Gemini 3.1 Pro Preview 44.7% > GPT-5.4 41.6% > GPT-5.3 Codex 39.9%（2026-04 快照，261 模型）；Claude Fable 5 在 AA 测试中 53.3%（2026-07，含把 9% 任务路由给 Opus 4.8 的行为）
口径 C：带工具全集历史 SOTA（zoom-ai HF 空间，2500 题全量）
Claude Mythos Preview 64.7（2026-04）→ Claude Fable 5 / Mythos 5 64.5（2026-06）→ GPT-5.4 Pro 58.7 → Muse Spark (Contemplating) 58.4
分数观察
- 带工具 vs 闭卷差 ~20 分；精确匹配 vs LLM judge 判分又差一截——这就是 zoom-ai 榜单空间吐槽”问三大模型 HLE SOTA 是多少，全都答错”的原因
- 进展曲线：2025-01 发布 ~8% → 2026-03 GPT-5.4 Pro 58.7% → 2026-04 起 64.7%；顶部 2.6 分内聚集（frontier 段接近饱和，整体仍有大量 headroom）
- HLE-Verified 口径更高：修复噪声题后模型平均高 7-10pp（坏题子集高 30-40pp），见评测集页