Opus 4.8 登顶 nao 逻辑推理榜单

怎么中位数还退步了？看起来耗时很长，难道是 Timeout？

中位数才反映智力水平，还应该加入方差，反映幻觉率。

我一般都按中位数排序.

目前看来是没什么脑子.

那看来这个榜的含金量不大，4.8纯纯弱智模型，不如swe

现在大模型是不是都是发展没有那么快了，貌似差距越来越小了

qwen3.7 max有用过的佬的吗，看很多名单都榜上有名

这个榜的关注点是中位数，而不是极限成绩，那个反应实际推理智力体验

不是，按nao说法，这个模型有过度推理倾向导致很多题目超过80K推理限制从而记零分，所以中位分才会这么低，实际中位分应该更高，个人估计应该排gpt-5.5之前是没啥问题的

不过也因为过度推理实际成本很比gpt-5.5更高

那是不是说明这个榜单和实际差异太大，没什么参考价值了

感觉这个榜挺野的，推理能力难道不应该和数学能力挂钩，MathArena的结果和这个相差太大

也不能这么讲，至少就我个人体感上是挺符合我对模型的排名的

而且推理限额80K也很宽裕了，超限额是因为开的xhigh档位

题目组成上似乎文字推理会更多一些

nao这个榜单应该是仅有的中文文字推理榜单了，其他榜单要么不是文字推理（Coding的会比较多）要么不是中文

但是MathArena是数学（也算文字）推理不重coding

这个榜测的是纯智力，swe测的是编程能力，，

推理能力为什么会和数学能力挂钩？空间感知、上下文召回、指令遵循、幻觉控制、直觉能力，这些都不属于或不完全属于数学能力

这个榜qwen3.7好牛，以后优化好agent能力的话，未来可期啊

数学与文字logic？这里应该有区别，从语义理解上，数学理解题意比刻意构建的文字推理更简单

榜单侧重后者，和日常使用感知匹配，比如qwen3.7max的文字理解能力比DeepSeek V4 Pro强些

可能以后会加一些自然科学和数学难题，GPT大力训练过的自然科学和数学能力就会显现

中位数排序的话Qwen3.7Max第二了诶

claude最近的更新还是不错的，比codex还是好一点，不过codex编码能力更强一点