在我們發佈基於 Sudoku 的推理基準之後，我們一直在評估最新的模型，以跟蹤其推理能力的改進。 今天，我們推出了 Sudoku-Bench 排行榜： 新技術報告： 您現在可以在我們的即時排行榜上跟蹤新模型的進度。在我們迄今為止對標的模型中：OpenAI 的 o3 Mini High 總體領先。有趣的是，Gemini 2.5 Pro 在更難的 6x6 拼圖上表現更好！然而，o3 是唯一可以解決任何 9x9 數獨的模型，但只有 2.9%，而且只有原版數獨。 至關重要的是，沒有一個測試的模型可以征服需要強大、創造性推理的 9x9。這個基準仍然是一個巨大的挑戰！要更深入地瞭解基準測試、方法和我們的發現，請查看我們的技術報告。 想在 Sudoku-Bench 上測試模型嗎？這很簡單！訪問排行榜。選擇一個拼圖。我們生成一個提示 （拼圖 + 說明） 以粘貼到任何模型中。也可以從我們的測試中探索示例推理跟蹤！