美团LongCat团队近期正式发布了名为General 365的推理评测基准，测试结果一出，立即引发了行业广泛关注。该基准对全球26款主流大模型进行了严苛的实测，结果显示：表现最佳的Gemini 3 Pro准确率仅为62.8%，刚刚跨过及格线——而绝大多数参测模型甚至未能达到60分。这组数据直接暴露了当前大模型在深度推理能力上的明显不足。可以说，General 365正逐步成为衡量AI真实推理水平的重要新标杆。
核心要点
- 权威发布：美团LongCat团队正式推出名为“General 365”的通用推理评测基准。
- 覆盖广泛：该评测对全球范围内26款主流大模型进行了深度实测。
- 性能瓶颈：即便是表现最强的Gemini 3 Pro，在General 365上的准确率也仅为62.8%。
- 行业现状：测试结果表明，绝大多数主流模型在推理任务上的得分未能触及60分的及格线。
详细分析
推理能力的“试金石”：General 365的严苛挑战
General 365评测基准的发布，无异于在大模型领域投下了一枚“震撼弹”。此前，许多模型在常规基准测试中屡屡刷出高分，甚至出现分数“通胀”现象，让人误以为AI已无所不能。然而General 365的实测数据给出了截然不同的反馈——通过对26款主流模型的系统性测试，它证实了真正的深度推理能力依然是AI领域的核心难题。大多数模型面对这一基准时表现疲软，连及格线都难以触及，这说明当前模型在处理复杂逻辑和多步推理任务时，仍然存在显著的短板。
顶尖模型的上限：Gemini 3 Pro的62.8%意味着什么
在本轮测试数据中，Gemini 3 Pro的表现尤为值得关注。作为目前公认的“地表最强”模型之一，它在General 365中的准确率仅为62.8%。尽管这一成绩使它在众多模型中排名靠前，但从绝对值来看，62.8%距离“完美解决问题”仍有很大差距。该数据不仅划定了当前AI推理能力的上限，也揭示了一个残酷现实：即便是第一梯队的顶尖模型，面对General 365设定的挑战，也只是勉强踩上及格线。这为后续模型迭代指明了方向——如何从“逻辑模仿”真正跨越到“深度推理”，才是突破的关键。
行业影响
General 365的发布，为AI行业树立了一根全新的推理评测标杆。它打破了此前某些评测基准可能存在的“高分低能”幻象，迫使开发者和研究机构重新审视大模型的逻辑推理核心能力。对于美团技术团队而言，LongCat General 365的开源不仅展示了其在AI评测领域的深厚积累，更通过公开透明的实测数据，倒逼行业朝着更高质量、更深层次的推理能力演进。未来，General 365极有可能成为评估大模型是否具备处理复杂业务逻辑能力的关键参考依据。
常见问题
问题 1：General 365主要评测大模型的哪方面能力？
General 365由美团LongCat团队发布，其核心目标是对大模型的“推理能力”进行深度评估。通过对26款主流模型的实测，该基准着力揭示模型在处理复杂逻辑任务时的真实水平。
问题 2：目前在General 365测试中表现最好的模型是谁？
根据美团技术团队发布的数据，在26款主流模型中，Gemini 3 Pro表现最强，但准确率也仅为62.8%。
问题 3：为什么说大多数模型在General 365中“不及格”？
因为实测中，绝大多数参测模型的准确率都没能达到60%这个基础及格线。这说明General 365的题目难度和推理要求，远高于目前行业平均水平。