继我们发布基于数独的推理基准测试公告后，我们一直在评估最新的模型，以跟踪其推理能力的改进。 今天，我们推出了数独基准排行榜： 新的技术报告： 您现在可以在我们的实时排行榜上跟踪新模型的进展。在我们迄今为止测试的模型中：OpenAI 的 o3 Mini High 总体表现领先。有趣的是，Gemini 2.5 Pro 在更难的 6x6 数独上表现更好！然而，o3 是唯一能够解决任何 9x9 数独的模型，但仅解决了 2.9%，而且仅限于普通数独。 关键是，目前测试的所有模型都无法征服需要强大、创造性推理的 9x9 数独。这一基准测试仍然是一个重大挑战！想深入了解基准测试、方法论和我们的发现，请查看我们的技术报告。 想在数独基准上测试模型吗？很简单！访问排行榜。选择一个谜题。我们会生成一个提示（谜题 + 指令），您可以将其粘贴到任何模型中。还可以探索我们测试中的示例推理轨迹！