GPQA（研究生级科学推理）

GPQA 由领域专家出题，难度达到研究生/博士入门水平，且刻意设计成「即使会搜索也不易答对」——需要真正理解概念而非查到答案。它用来区分模型是「记住了事实」还是「能推理出结论」。

在 Agent 语境下，GPQA 衡量的是底座模型的科学推理天花板：当 Agent 要做科研辅助、技术决策、复杂诊断时，底层模型的 GPQA 水平直接影响上限。推理模型（如 o 系列、Claude 思考模式）显著拉开差距。

MMLU 测知识广度（多领域基础题），GPQA 测推理深度（少领域难题）。二者配合可勾勒模型「既广且深」还是「偏科」，是选型时的重要参考。

GPQA 将随模型逼近人类专家水平而持续加难（如引入需多步实验设计的题目）；同时「可验证推理过程」会比单一答案正确率更受重视。