Aller au contenu
AIRank
en pl es fr de
← Benchmarks

GPQA

18 modèles classés

GPQA est un benchmark à choix multiples créé par Google DeepMind, avec 448 questions scientifiques de niveau postuniversitaire en physique, chimie et biologie. Son nom signifie que les questions sont assez difficiles pour qu’un moteur de recherche ne puisse pas y répondre, ce qui protège le benchmark de la contamination. Le score reflète la fréquence à laquelle un modèle répond correctement à ces questions d’experts.

Scores de Hugging Face

#Modèle
1GPT-599
2Claude 4 Opus98
3Gemini 2.5 Pro97
4Cursor Tab96
5Llama 4 405B95
6Claude Code95
7Grok 394
8Qwen3 235B93
9DeepSeek V392
10GitHub Copilot92
11Mistral Large 391
12Claude 4 Sonnet90
13Aider89
14Command R+88
15Codeium Windsurf88
16Gemini 2.5 Flash87
17GPT-4o mini85
18Continue Dev84

AIRank agrège ces résultats à partir des sources publiques indiquées sur chaque page. Nous ne menons pas nos propres évaluations et normalisons les résultats bruts sur une échelle de 0 à 100 pour que les tableaux soient comparables.

FAQ

Questions fréquentes

Qu’est-ce que GPQA ?

GPQA est un benchmark à choix multiples créé par Google DeepMind, avec 448 questions scientifiques de niveau postuniversitaire en physique, chimie et biologie. Son nom signifie que les questions sont assez difficiles pour qu’un moteur de recherche ne puisse pas y répondre, ce qui protège le benchmark de la contamination. Le score reflète la fréquence à laquelle un modèle répond correctement à ces questions d’experts. Les résultats GPQA présentés ici proviennent des scores publics publiés par l’équipe du benchmark et ré-agrégés via des sources comme Hugging Face.

Comment les scores des benchmarks sont-ils calculés ?

Chaque benchmark publie ses résultats sur son échelle native — pourcentages, taux pass@1 ou points Elo. Nous normalisons chaque benchmark sur une échelle commune de 0 à 100 grâce à une mise à l’échelle min-max sur les modèles suivis, afin que les tableaux soient comparables d’un benchmark à l’autre. Les chiffres proviennent toujours des résultats publics publiés par les équipes des benchmarks, jamais d’évaluations propriétaires ou auto-réalisées.

Pourquoi les mêmes modèles sont-ils classés différemment selon les benchmarks ?

Les benchmarks mesurent des compétences différentes. GPQA teste la connaissance scientifique de niveau postuniversitaire, HumanEval et SWE-Bench mesurent la capacité de codage, et MATH couvre la résolution de problèmes pas à pas. Un modèle peut exceller en code tout en étant moyen en sciences — c’est précisément pourquoi nous conservons un classement distinct pour chaque benchmark plutôt que de tout fusionner en un seul score.