美团 LongCat 开源 General 365：树立推理评测新标尺
美团发布新推理评测基准 General 365，结果显示最强模型准确率不足 63%，证明现有大模型推理能力远未饱和。
美团发布 General 365，一个用于评测 AI 模型推理能力的基准测试（包含 365 道题目）。实测 26 款主流模型发现，最强模型 Gemini 3 Pro 准确率仅 62.8%，多数模型甚至不及格。这意味着当前模型在复杂推理上仍有很大提升空间。
正文摘录
 美团 LongCat 开源 General 365：树立推理评测新标尺 美团LongCat 2026-05-15 LongCat 大模型 开源 大模型在 AIME、IMO 等高难度竞赛中拿奖拿到手软，仿佛已经进化出了“人类最强大脑”。但与此同时，如果你问大模型：“离洗车店只有 50 米，我是开车去还是走路去？”这些号称满分推理的模型，依然会一本正经地为你规划导航路线。 这种看似知识丰富，但没常识的现象，正是当前大模型评测的死穴：大模型虽然擅长记忆复杂的公式，却常常连一道简单的逻辑题都答不对。 基于此，美团 LongCat 团队正式发布 General 365 。我们发现，在对 26 款主流模型的实测中，目前地表最强的 Gemini 3 Pro 准确率仅为 62.8%，而绝大多数模型甚至没能摸到 60 分的及格线。 这份基准将焦点从“学科推理”拓展到“通用推理”，第一次清晰地勾勒出了当前大模型在通用逻辑推理上的真实能力边界。 01 研究背景：大模型真的会“思考”吗？ 过去两年，大模型推理评测高度集中在数学、物理、编程等依赖专业知识的任务上，头部模型在各大题库上甚至逼近满分。然而， 学科推理得分高，并不等于通用推理强 ——高分可能源于模型对训练语料的暴力记忆与模式匹配，而非可泛化的逻辑推演能力。现有通用推理基准（如 BBH、BBEH）面临两大瓶颈：任务模板化导致逻辑同质严重，性能饱和导致区分度断崖式下降。