Humanity's Last Exam
18 modèles classés
Humanity's Last Exam est le benchmark de connaissances le plus difficile jamais constitué : 2 500 questions rédigées par plus de 1 000 experts dans 100 matières, des mathématiques et de la physique au droit et à la linguistique. Conçu par le Center for AI Safety et Scale AI comme un test de frontière, la plupart des meilleurs modèles restent sous les 20 %. C'est la meilleure mesure disponible du plafond de la connaissance de l'IA.
Scores de BenchLM
| # | Modèle | ||
|---|---|---|---|
| 1 | GPT-5 | OpenAI | 89 |
| 2 | Claude 4 Opus | Anthropic | 88 |
| 3 | Gemini 2.5 Pro | 87 | |
| 4 | Cursor Tab | Anysphere | 86 |
| 5 | Llama 4 405B | Meta | 85 |
| 6 | Claude Code | Anthropic | 85 |
| 7 | Grok 3 | xAI | 84 |
| 8 | Qwen3 235B | Alibaba | 83 |
| 9 | DeepSeek V3 | DeepSeek | 82 |
| 10 | GitHub Copilot | GitHub | 82 |
| 11 | Mistral Large 3 | Mistral | 81 |
| 12 | Claude 4 Sonnet | Anthropic | 80 |
| 13 | Aider | Aider | 79 |
| 14 | Command R+ | Cohere | 78 |
| 15 | Codeium Windsurf | Codeium | 78 |
| 16 | Gemini 2.5 Flash | 77 | |
| 17 | GPT-4o mini | OpenAI | 75 |
| 18 | Continue Dev | Continue | 74 |
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 Humanity's Last Exam ?
Humanity's Last Exam est le benchmark de connaissances le plus difficile jamais constitué : 2 500 questions rédigées par plus de 1 000 experts dans 100 matières, des mathématiques et de la physique au droit et à la linguistique. Conçu par le Center for AI Safety et Scale AI comme un test de frontière, la plupart des meilleurs modèles restent sous les 20 %. C'est la meilleure mesure disponible du plafond de la connaissance de l'IA. Les résultats Humanity's Last Exam présentés ici proviennent des scores publics publiés par l’équipe du benchmark et ré-agrégés via des sources comme BenchLM.
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.