美团LongCat团队最近扔出了一颗重磅冲击波——General 365推理评测集正式开源。它的目标很明确：给大模型的推理能力上一道真正的“硬菜”。实测结果一出，行业震动：目前公认的顶尖模型Gemini 3 Pro，准确率只有62.8%，而绝大多数模型连60分的及格线都没摸到。这组数字就像一面照妖镜，把当前AI在复杂推理上的真实底牌照得一清二楚。

核心要点

• 发布新标尺：美团LongCat团队正式开源General 365推理评测集，专注衡量大模型的通用推理能力。
• 覆盖范围广：该评测集对市面上26款主流模型进行了深度实测。
• 顶尖模型受挫：行业标杆Gemini 3 Pro仅取得62.8%的准确率。
• 行业整体表现：绝大多数主流模型准确率普遍低于60%的及格线。

详细分析

General 365：推理能力的新挑战

美团LongCat团队推出General 365评测集，核心目的就是给AI领域提供一个更有“杀伤力”的推理能力衡量标准。要知道，现在大模型层出不穷，传统评测基准早已拉不开差距——大家的分数都高得离谱，根本分不清谁是真功夫、谁是花架子。General 365通过对26款主流模型的实测证明：真实的推理能力，仍然是AI目前最大的短板。这个评测集的开源，意味着开发者终于有了一块能精准找出模型逻辑软肋的“试金石”。

性能断层：Gemini 3 Pro的领先与局限

实测数据中，Gemini 3 Pro以62.8%的准确率排在前面。这个成绩在26款模型里确实亮眼，但从绝对数值来看，62.8%意味着什么？意味着即便是全球最顶尖的模型，在面对General 365设定的推理任务时，依然有将近四成的问题答不对。这个数字直接打破了市场对大模型“全知全能”的幻想——在复杂逻辑推演这个领域，AI还处在爬坡阶段，远没到山顶。

行业现状：多数模型未及及格线

更扎眼的是，参与测试的绝大多数模型连60分都考不到。这个现象暴露了一个残酷现实：很多模型在聊天对话、创意写作上能侃侃而谈，可一到严谨的逻辑推理，基础就塌了。美团LongCat团队用General 365展示了这种普遍的“推理赤字”，逼着行业重新思考训练重心——别再只盯着参数规模往大了堆，是时候回头好好打磨底层逻辑能力了。

行业影响

General 365的发布，对整个AI行业来说意义深远。首先，它竖起了一把推理评测的新标尺，有助于把行业从“只看表面高分”的惯性里拽出来。其次，开源这个工具，等于美团技术团队给全球开发者免费送上了一份高质量的测试资源，加速大模型在逻辑推理上的突破。最后，Gemini 3 Pro等顶尖模型的表现，也给后续研究划了条线——怎么跨过60分这道及格门槛，实现真正高可靠性的智能推理，才是接下来的关键命题。

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专业评测基准。它通过对主流模型进行实测，提供了一个比现有标准更严苛、更有参考价值的推理能力衡量尺度。

为什么Gemini 3 Pro在General 365中的得分只有62.8%？

这主要源于General 365评测集极高的难度和对逻辑推理能力的深度挖掘。62.8%虽然在26款模型中领先，但也说明当前最先进的模型在处理复杂推理时依然吃力，远没到完美水平。

绝大多数模型不及格意味着什么？

这意味着市面上大多数主流模型在通用推理任务上的表现仍然不理想。这个结果提醒行业：大模型的逻辑推理能力还差得远，距离真正的高级认知智能，路还很长。