AI模型的推理能力究竟到了什么水平？美团LongCat团队最近做了一场大规模的摸底考试，结果让不少人倒吸一口凉气。他们正式发布了一个全新的推理评测基准——General 365，并且一口气测了全球26款主流大模型。成绩单出来了：目前公认最强的Gemini 3 Pro，准确率不过62.8%，而绝大多数参赛模型，连60分的及格线都没摸到。这个结果给整个行业敲了一记警钟——在需要动真格的复杂推理任务上，大模型的能力远没到火候。General 365也因此被看作是衡量模型逻辑能力的一块新标尺。

先说几个核心判断：第一，新基准的发布，意味着评测体系要升级了；第二，全球26款主流模型都参加了，样本量足够说明问题；第三，即便是顶尖选手，也只在及格线附近徘徊；第四，不光是顶尖选手表现不亮眼，整个行业在推理这个维度上，暴露出的短板相当一致。

详细分析

推理评测的新标尺：General 365的诞生

大语言模型在对话、创作这些领域已经跑得挺快了，但行业的目光正在加速转向一个更硬核的方向——深度推理。美团LongCat团队在这个节骨眼上拿出General 365，既是技术积累的一次集中释放，也是给行业递上了一块真正能试出逻辑硬实力的“试金石”。通过26款模型的横向对比，这个基准把当前AI在处理复杂逻辑链条时的真实水平，清晰地摆在了台面上。

性能天花板的警示：Gemini 3 Pro的实测表现

Gemini 3 Pro在这次测试里的表现，是最有看点的。作为全球范围内公认的旗舰模型，62.8%的准确率虽然是26款里的最高分，但这个数字本身已经说明问题了。可以这么理解：即便是赛道上跑得最快的选手，在更严苛的考核标准面前，也显得不那么从容了。这种“低分领跑”的现象，恰恰证明了General 365的考题设计足够精细，能把模型之间的细微差距都区分出来。同时它也提醒我们，距离那个真正的“通用人工智能”，还有相当长的一段路要走。

多数模型“不及格”背后的行业现状

绝大多数模型连60分都没拿到，这个数据刺痛了不少人。它反映出一个普遍存在的行业事实：模型在聊天、写文章这类任务上表现神勇，可一旦涉及需要多步推理、逻辑推演或者解决复杂问题的场景，逻辑链条就容易断，幻觉问题也频繁出现。General 365做的，就是把那些藏在繁荣表象下的技术短板，一件件摊开来给你看。这也在倒逼开发者重新思考训练策略——不能再一味地堆参数规模了，逻辑推理能力才是下一步需要深挖的硬功夫。

行业影响

General 365的出现，会在几个层面改变行业。首先，它打破了以往评测中模型得分普遍虚高的“虚假繁荣”，给开发者提供了更有参考价值的改进方向。其次，美团作为国内技术驱动型的代表企业，把这样的高质量评测基准开源出来，实际上也是在帮国产大模型在国际推理能力评估中争取更多话语权。最后，也是最关键的，这个基准会把行业资源往高质量数据和复杂逻辑训练那边赶一赶，加速大模型从“能说会道”向“善于思考”进化。

常见问题

问题 1：General 365主要测试大模型的哪些方面？

General 365主要盯着大模型的推理能力。它通过设计一系列难度不低的逻辑挑战，来评估模型在处理复杂问题、多步推演以及逻辑严密性方面的表现。简单说，它考的是模型到底有多“聪明”，而不是它记住了多少东西。

问题 2：为什么Gemini 3 Pro的得分只有62.8%？

原因很简单：General 365的考题太难了。62.8%这个分数，放在26款主流模型里看，已经是第一名。所以这个基准的特点就是能把模型的差距拉开，让顶尖模型在极限推理场景下的弱点也暴露出来。分数低不是模型不行，而是标准变了。

问题 3：绝大多数模型不及格意味着什么？

意味着当前大模型在深度推理这件事上，还在很早期的阶段。多数模型碰到复杂逻辑任务，表现就不稳定，连最基本的准确率都保证不了。这也给后续的优化指明了方向——逻辑训练和高质量推理数据的积累，是接下来必须补上的课。