استدلال فارسی

برنامه‌ریزی‌شده، هنوز اجرا نشده

روش سنجش برنامه‌ریزی‌شده

پاسخ مرجع + بررسی گام‌ها

معیارهای ارزیابی

  • استدلال گام‌به‌گام
  • جواب نهایی درست
  • قدم منطقی جا نیندازد

رتبه‌بندی مدل‌ها روی این حوزه

آزمون این حوزه هنوز اجرا نشده؛ رتبه‌ها از نمرهٔ نزدیک‌ترین سنجه در دور ارزیابی تیم مرشد (تیر ۱۴۰۵) می‌آیند.

#مدلامتیاز استدلال فارسی
۱Gemma-3-27B۱۰
۲GLM-5.2۱۰
۳gpt-oss-120b۱۰
۴Qwen3.6-35B-A3B۱۰
۵Kimi K2۸
۶Qwen3-235B-A22B۸
۷DeepSeek-V3 (0324)۸
۸Llama-4-Maverick۸
۹GLM-4.5-Air۸
۱۰Hunyuan HY3۸