美团LongCat团队近期完成了一项重要举措——正式开源了名为General 365的通用推理评测集。尽管名称看似中规中矩，但这一评测集的定位十分明确：旨在为大型语言模型的推理能力树立全新的衡量标准。团队对全球26款主流模型进行了全面实测，结果显示，当前表现最优的Gemini 3 Pro准确率也仅为62.8%，而绝大多数模型甚至未能达到60分的及格线。这一数据清晰地表明：当前主流大模型在复杂推理任务上，仍存在显著的提升空间。

核心要点

• 新标尺上线：美团LongCat团队开源了General 365通用推理评测集，为AI推理能力设立了更高基准。
• 覆盖够广：对全球26款主流大模型开展了一次深度实测，全面检验模型的真实推理水平。
• 顶尖模型受挫：公认最强的Gemini 3 Pro，准确率也仅停留在62.8%，未能突破70%大关。
• 行业普遍低迷：大多数模型未能及格，推理短板问题暴露无遗，凸显技术瓶颈。

详细分析

General 365：推理能力的新试金石

该评测集的推出，核心目的在于破解当前大模型评测中普遍存在的“高分低能”现象。如今，大模型在基础对话和信息检索方面已经相当成熟，但业界亟需一个能真实反映逻辑推理与复杂问题解决能力的深度基准。General 365的发布，不仅是美团技术团队在AI基础设施领域的重要贡献，更为全球开发者提供了一个衡量模型真实“智力”水平的严苛参考框架。通过开源，美团实际上在向行业传递一个信号：不要只盯着参数规模，更要比拼推理质量。

现状审视：及格线下的集体挑战

实测数据摆在眼前，情况确实不容乐观。即便被视为行业天花板的Gemini 3 Pro，其准确率也仅勉强达到62.8%。更令人关注的是，参与测试的26款主流模型中，绝大多数连60分的及格线都未能触及。这一数据极具说服力：大模型在语言生成和多模态交互方面进步迅速，但在严密的逻辑链条构建与深层推理上，技术瓶颈依然明显。这种“集体不及格”的现状，反而为后续优化指明了清晰的演进方向。

评测维度的深度思考

General 365能够成为“新标尺”，关键在于其设计逻辑跳出了传统评测集的局限。从26款模型的横向对比来看，得分的断层分布反映了不同架构、不同训练策略在推理任务上的显著差异。Gemini 3 Pro虽然领先，但优势并不明显，仅体现出顶尖模型在复杂逻辑处理上的微弱优势。对于大多数未能及格的模型而言，如何在保持通用能力的同时，通过算法改进或高质量推理数据的强化训练，跨过60分这道门槛，将成为下一阶段竞争的核心焦点。

行业影响

General 365的发布将在AI行业激起不小涟漪。首先，它戳破了许多模型在简单评测集中刷分的幻象，迫使研发团队直面推理能力的短板。其次，作为开源项目，它降低了中小团队开展高质量评测的门槛，有助于加速推理算法的迭代进程。最后，这一标尺的确立，将引导行业资源向更有价值的逻辑推理领域倾斜，推动大模型从“能言善辩”向“深度思考”进化。美团此举，既展示了其在AI技术前沿的洞察力，也通过开源生态建设提升了在行业标准制定中的话语权。

常见问题

问题1：什么是General 365评测集？

General 365是美团LongCat团队开源的通用推理评测集，专门用于评估大模型在复杂逻辑推理任务中的准确性与稳定性，旨在为行业提供更高标准的性能衡量基准，帮助开发者准确判断模型的真实推理能力。

问题2：为什么Gemini 3 Pro的准确率只有62.8%？

这恰恰说明了General 365评测集的难度极高。62.8%在百分制下看似不高，但在该评测体系中已是26款主流模型里的最高分。这一结果表明，即使是最顶尖的模型，在处理复杂推理问题时仍有巨大的提升空间，也突显了该评测基准的严苛性。

问题3：绝大多数模型不及格意味着什么？

这意味着当前主流大模型在逻辑推理这一核心能力上仍处于初级阶段。多数模型无法稳定处理复杂的逻辑链条，这为未来模型研发指明了方向——需要更专注于提升模型的深层推理与逻辑构建能力，从而真正突破“及格线”的束缚。