GPQA Diamond
GPQA Diamond é um teste de avaliação de múltipla escolha de nível de pós-graduação em biologia, física e química. Cada pergunta é escrita por um especialista no assunto e elaborada para que até mesmo especialistas da área precisem raciocinar com cuidado para identificar a resposta correta. Executamos o mesmo conjunto fixo de perguntas nos endpoints dos provedores para comparar a capacidade dos modelos, o roteamento e o custo prático de resolver problemas científicos difíceis.
Última execução da avaliação comparativa
Qual modelo lidera a avaliação GPQA Diamond?
Google: Gemini 4 Argon lidera o GPQA Diamond com 96,5% em 15 de nov. de 2026, 02:47 UTC. O mesmo conjunto fixo de perguntas e a mesma pontuação do GPQA Diamond são mantidos constantes em todos os endpoints de provedores em produção. A linha de destaque usa o roteamento padrão quando disponível; caso contrário, usa um resultado representativo de um provedor.
Comparação de modelos
Eficiência de custos
Classificação
As linhas de nível superior usam o roteamento padrão quando disponível; clique em uma linha para expandir os resultados com provedor fixado.
| # | Modelo | Desvio padrão | ||||
|---|---|---|---|---|---|---|
| 1 | Google | 96,5% | -- | US$ 0,095 | 1,7m | 8,44k |
| 2 | 95,6% | -- | US$ 0,068 | 2,2m | 18k | |
| 3 | 95,5% | -- | US$ 0,33 | 75s | 4,53k | |
| 4 | 94,9% | -- | US$ 0,084 | 26s | 1,87k | |
| 5 | 94,5% | ±0,1pp | US$ 0,20 | 2,2m | 16,7k | |
| 6 | 94,4% | -- | US$ 0,11 | 57s | 2,11k | |
| 7 | 94,4% | -- | US$ 0,021 | 52s | 1,98k | |
| 8 | 94,1% | -- | US$ 0,15 | 1,6m | 11,6k | |
| 9 | 93,9% | ±0,3pp | US$ 0,31 | 2,5m | 10,3k | |
| 10 | 93,9% | ±0,4pp | US$ 0,029 | 59s | 7,68k | |
| 11 | 92,9% | -- | US$ 0,088 | 86s | 8,6k | |
| 12 | 92,8% | ±0,4pp | US$ 0,12 | 6,0m | 20,3k | |
| 13 | 92,8% | ±0,6pp | US$ 0,025 | 20s | 2,28k | |
| 14 | 92,8% | ±0,5pp | US$ 0,044 | 62s | 11,7k | |
| 15 | 92,4% | ±0,0pp | US$ 0,039 | 63s | 3,71k | |
| 16 | 92,3% | ±0,1pp | US$ 0,14 | 90s | 15,8k | |
| 17 | 92,0% | ±1,0pp | US$ 0,13 | 4,0m | 10,7k | |
| 18 | 91,9% | -- | US$ 0,025 | 32s | 2,37k | |
| 19 | Amazon Bedrock | 91,9% | -- | US$ 0,22 | 13,4m | 36,1k |
| 20 | 91,1% | -- | US$ 0,011 | 28s | 2,13k | |
| 21 | 91,1% | -- | US$ 0,031 | 1,6m | 30,6k | |
| 22 | AtlasCloud | 90,9% | -- | US$ 0,22 | 5,0m | 29,4k |
| 23 | 90,5% | ±1,6pp | US$ 0,11 | 9,0m | 37,5k | |
| 24 | 90,2% | ±0,0pp | US$ 0,14 | 2,5m | 9,46k | |
| 25 | 90,2% | ±0,5pp | US$ 0,054 | 30s | 2,5k | |
| 26 | 90,2% | ±1,9pp | US$ 0,035 | 5,2m | 30,5k | |
| 27 | 90,2% | ±0,4pp | US$ 0,074 | 2,3m | 17,1k | |
| 28 | 90,1% | ±0,7pp | US$ 0,011 | 2,0m | 19,4k | |
| 29 | 89,9% | ±0,7pp | US$ 0,13 | 31s | 2,4k | |
| 30 | 89,8% | ±0,6pp | US$ 0,12 | 13,8m | 47,5k | |
| 31 | 89,7% | ±1,1pp | US$ 0,20 | 1,6m | 7,86k | |
| 32 | 89,6% | ±0,3pp | US$ 0,038 | 2,4m | 27k | |
| 33 | 89,5% | ±1,0pp | US$ 0,23 | 1,8m | 9,01k | |
| 34 | 89,1% | ±0,8pp | US$ 0,023 | 4,1m | 30,7k | |
| 35 | 88,8% | ±0,4pp | US$ 0,033 | 12,5m | 38k | |
| 36 | 88,6% | ±0,3pp | US$ 0,22 | 1,8m | 8,64k | |
| 37 | 88,6% | -- | US$ 0,021 | 11,2m | 45,5k | |
| 38 | 88,5% | ±0,1pp | US$ 0,13 | 4,2m | 43,9k | |
| 39 | 88,4% | ±0,0pp | US$ 0,041 | 55s | 3,32k | |
| 40 | 88,4% | -- | US$ 0,008 | 73s | 13,1k | |
| 41 | 88,4% | ±0,0pp | US$ 0,015 | 71s | 13,6k | |
| 42 | 88,0% | ±1,1pp | US$ 0,023 | 3,9m | 25,3k | |
| 43 | 87,9% | ±1,9pp | US$ 0,13 | 62s | 4,87k | |
| 44 | Alibaba | 87,9% | -- | US$ 0,044 | 9,8m | 34,2k |
| 45 | 87,8% | ±3,7pp | US$ 0,18 | 45s | 3,49k | |
| 46 | 87,6% | ±0,9pp | US$ 0,014 | 2,9m | 26k | |
| 47 | 87,6% | ±0,6pp | US$ 0,009 | 83s | 7,69k | |
| 48 | 87,4% | ±1,4pp | US$ 0,091 | 3,3m | 14,8k | |
| 49 | 87,4% | -- | US$ 0,003 | 50s | 5,75k | |
| 50 | 87,3% | ±1,8pp | US$ 0,047 | 11,2m | 36k | |
| 51 | 86,8% | ±1,0pp | US$ 0,022 | 8,7m | 46,3k | |
| 52 | 86,7% | ±0,5pp | US$ 0,004 | 39s | 7,89k | |
| 53 | 86,7% | ±4,2pp | US$ 0,16 | 15,9m | 56,1k | |
| 54 | 86,7% | ±0,0pp | US$ 0,22 | 4,4m | 22,2k | |
| 55 | 86,7% | ±2,7pp | US$ 0,008 | 6,9m | 26,9k | |
| 56 | 86,6% | ±1,8pp | US$ 0,10 | 7,6m | 26,9k | |
| 57 | 86,6% | ±1,4pp | US$ 0,75 | 8,4m | 30k | |
| 58 | 86,6% | ±0,8pp | US$ 0,025 | 3,9m | 20,8k | |
| 59 | 86,5% | ±1,0pp | US$ 0,84 | 6,8m | 33,5k | |
| 60 | 86,0% | ±2,8pp | US$ 0,082 | 6,1m | 23,7k | |
| 61 | 85,9% | ±0,8pp | US$ 0,006 | 9,3m | 32,3k | |
| 62 | Novita | 85,9% | -- | US$ 0,020 | 2,0m | 15,4k |
| 63 | 85,7% | ±0,3pp | US$ 0,21 | 4,4m | 20,9k | |
| 64 | 85,5% | ±2,1pp | US$ 0,044 | 10,0m | 37,9k | |
| 65 | 85,4% | ±1,3pp | US$ 0,10 | 7,6m | 31,8k | |
| 66 | 85,3% | ±4,9pp | US$ 0,17 | 2,8m | 16,8k | |
| 67 | 85,2% | ±1,4pp | US$ 0,14 | 7,3m | 49,9k | |
| 68 | 84,9% | ±1,0pp | US$ 0,055 | 4,2m | 23,1k | |
| 69 | 84,8% | -- | US$ 0,001 | 88s | 17,5k | |
| 70 | 84,5% | ±4,9pp | US$ 0,096 | 20,9m | 37,9k | |
| 71 | 84,4% | ±0,9pp | US$ 0,036 | 53s | 14,5k | |
| 72 | 84,1% | ±2,4pp | US$ 0,014 | 8,8m | 40,1k | |
| 73 | 83,8% | ±3,0pp | US$ 0,090 | 12,9m | 31,8k | |
| 74 | 83,8% | ±0,6pp | US$ 0,062 | 75s | 13,6k | |
| 75 | 83,4% | ±1,1pp | US$ 0,095 | 4,9m | 23,4k | |
| 76 | Tencent | 83,2% | -- | US$ 0,064 | 8,2m | 51,2k |
| 77 | 82,7% | ±1,9pp | US$ 0,093 | 18,5m | 45,2k | |
| 78 | 82,6% | ±1,6pp | US$ 0,26 | 3,9m | 26k | |
| 79 | 82,3% | ±1,4pp | US$ 0,008 | 7,3m | 18,6k | |
| 80 | 82,2% | ±6,7pp | US$ 0,030 | 12,5m | 30,5k | |
| 81 | 82,1% | ±2,4pp | US$ 0,041 | 83s | 27k | |
| 82 | 81,9% | ±1,4pp | US$ 0,034 | 3,5m | 13,9k | |
| 83 | 81,7% | ±2,0pp | US$ 0,009 | 9,6m | 19,5k | |
| 84 | 81,6% | ±1,3pp | US$ 0,027 | 4,6m | 25,4k | |
| 85 | 81,6% | ±1,1pp | US$ 0,31 | 4,8m | 20,7k | |
| 86 | 81,3% | -- | US$ 0,008 | 5,9m | 33,9k | |
| 87 | 81,0% | ±1,8pp | US$ 0,24 | 18,0m | 63,9k | |
| 88 | 81,0% | ±2,2pp | US$ 0,045 | 3,5m | 22,4k | |
| 89 | 80,8% | -- | US$ 0,053 | 6,8m | 43,9k | |
| 90 | 80,8% | ±1,4pp | US$ 0,022 | 4,1m | 17,5k | |
| 91 | 79,8% | ±4,3pp | US$ 0,043 | 8,6m | 42,6k | |
| 92 | 79,1% | ±3,4pp | US$ 0,16 | 14,8m | 66,9k | |
| 93 | 78,9% | ±2,3pp | US$ 0,029 | 7,1m | 25,9k | |
| 94 | 78,6% | -- | US$ 0,26 | 3,0m | 17,4k | |
| 95 | 78,6% | -- | US$ 0,058 | 10,6m | 23,1k | |
| 96 | 77,7% | ±0,4pp | US$ 0,013 | 64s | 10,3k | |
| 97 | 77,4% | ±2,0pp | US$ 0,006 | 11,8m | 37,6k | |
| 98 | 77,2% | ±4,8pp | US$ 0,014 | 14,9m | 40,6k | |
| 99 | 77,2% | ±0,3pp | US$ 0,018 | 7,5m | 17,5k | |
| 100 | 77,1% | ±3,3pp | US$ 0,063 | 17,0m | 30,9k | |
| 101 | 76,7% | ±4,1pp | US$ 0,053 | 14,9m | 23,3k | |
| 102 | 75,8% | -- | US$ 0,015 | 2,9m | 24k | |
| 103 | 75,1% | ±1,1pp | US$ 0,015 | 1,8m | 14,5k | |
| 104 | 74,9% | ±1,9pp | US$ 0,003 | 2,8m | 31k | |
| 105 | 74,2% | ±2,3pp | US$ 0,006 | 6,2m | 24,1k | |
| 106 | 73,2% | ±2,4pp | US$ 0,016 | 11,2m | 60,9k | |
| 107 | 73,2% | ±0,8pp | US$ 0,19 | 4,0m | 37,9k | |
| 108 | 72,8% | ±0,4pp | US$ 0,061 | 2,0m | 24,2k | |
| 109 | 72,7% | ±1,6pp | US$ 0,006 | 5,4m | 8,11k | |
| 110 | 72,1% | ±13,3pp | US$ 0,62 | 10,7m | 41k | |
| 111 | 71,8% | ±0,3pp | US$ 0,011 | 85s | 10,5k | |
| 112 | 70,6% | ±2,6pp | US$ 0,009 | 6,2m | 45,1k | |
| 113 | 70,5% | ±0,4pp | US$ 0,013 | 3,9m | 33,3k | |
| 114 | 69,5% | ±0,8pp | US$ 0,007 | 4,9m | 5,94k | |
| 115 | 69,3% | ±4,4pp | US$ 0,015 | 15,5m | 50,7k | |
| 116 | 66,8% | -- | US$ 0,014 | 5,4m | 15,3k | |
| 117 | 66,3% | ±0,5pp | US$ 0,003 | 81s | 2,99k | |
| 118 | 65,7% | -- | US$ 0,015 | 28,6m | 64,4k | |
| 119 | 65,2% | ±1,3pp | US$ 0,004 | 27s | 2,41k | |
| 120 | 65,2% | ±2,5pp | US$ 0,006 | 10,7m | 41,8k | |
| 121 | 64,9% | ±0,6pp | US$ 0,003 | 2,8m | 10,3k | |
| 122 | 64,2% | ±1,4pp | US$ 0,007 | 3,9m | 11,5k | |
| 123 | 63,7% | ±0,4pp | US$ 0,016 | 15s | 1,75k | |
| 124 | 63,7% | ±13,9pp | US$ 0,014 | 6,9m | 12k | |
| 125 | 63,2% | ±2,2pp | US$ 0,018 | 11,2m | 89,4k | |
| 126 | 62,1% | ±1,2pp | US$ 0,002 | 65s | 2,17k | |
| 127 | 60,9% | ±1,0pp | US$ 0,008 | 5,6m | 17,3k | |
| 128 | DeepInfra | 60,9% | -- | US$ 0,008 | 5,0m | 15,4k |
| 129 | 60,4% | ±0,5pp | US$ 0,004 | 35s | 2,12k | |
| 130 | 59,2% | ±0,3pp | US$ 0,003 | 8,7m | 11,7k | |
| 131 | 55,2% | ±0,5pp | US$ 0,018 | 1,9m | 44,3k | |
| 132 | 54,6% | ±8,7pp | US$ 0,006 | 2,1m | 5,65k | |
| 133 | PrimeIntellect | 53,9% | -- | US$ 0,005 | 2,0m | 11,8k |
| 134 | 52,0% | ±0,3pp | US$ 0,018 | 16s | 1,56k | |
| 135 | 51,7% | ±0,5pp | US$ 0,016 | 10,6m | 40,5k | |
| 136 | 51,1% | ±0,1pp | US$ 0,013 | 13s | 1,12k | |
| 137 | 50,5% | -- | US$ 0,010 | 11,7m | 64,8k | |
| 138 | 49,1% | ±0,9pp | US$ 0,00084 | 23s | 1,9k | |
| 139 | 47,5% | ±1,0pp | US$ 0,001 | 86s | 2,36k | |
| 140 | 46,0% | ±1,3pp | US$ 0,001 | 1,6m | 1,85k | |
| 141 | 43,6% | ±0,7pp | US$ 0,001 | 22s | 1,48k | |
| 142 | 42,9% | -- | US$ 0,002 | 59s | 1,66k | |
| 143 | Reka | 38,9% | -- | US$ 0,00023 | 9s | 711 |
| 144 | 38,0% | ±1,2pp | US$ 0,00038 | 52s | 2,26k | |
| 145 | Cloudflare | 28,6% | -- | US$ 0,00059 | 15s | 1,64k |
| 146 | 27,7% | ±2,2pp | US$ 0,001 | 2,5m | 15,5k | |
| 147 | 27,7% | ±0,1pp | US$ 0,000062 | 9s | 580 | |
| 148 | Parasail | 27,1% | -- | US$ 0,00011 | 11s | 1,8k |
| 149 | Google | 21,4% | -- | US$ 0,18 | 78s | 14,6k |
| 150 | 10,3% | ±0,0pp | US$ 0,018 | 22s | 11,8k |
Exemplos de problemas
O GPQA usa questões de quatro alternativas que exigem mais do que recordar uma definição. Estes exemplos representativos mostram o formato e a variedade de áreas científicas sem reproduzir itens do banco protegido de questões da avaliação comparativa.
Biology
A researcher observes that a membrane protein is synthesized on ribosomes attached to the rough endoplasmic reticulum. Which destination is most consistent with this protein entering the secretory pathway?
- A.The cytosol, where it remains soluble
- B.The nucleus, after import through a nuclear pore
- C.A membrane of the endomembrane system or the cell surface
- D.The mitochondrial matrix through a TOM/TIM complex
Resposta: C
Ribosomes on the rough ER synthesize proteins destined for secretion or insertion into the endomembrane system, including the plasma membrane.
Physics
A spacecraft is far from other bodies and fires its engine in the direction opposite to its velocity. Ignoring mass loss during the brief burn, what happens immediately to its speed?
- A.It increases because the exhaust carries away backward momentum
- B.It decreases because the thrust points opposite to its velocity
- C.It remains unchanged because thrust only changes direction
- D.It becomes zero because the spacecraft is in free space
Resposta: B
An impulse opposite the velocity vector reduces the spacecraft’s momentum and therefore its speed during the burn.
Chemistry
Why does adding a small amount of a common ion generally reduce the solubility of a sparingly soluble ionic solid in water?
- A.The common ion increases the solid’s lattice energy
- B.The common ion shifts the dissolution equilibrium toward the solid
- C.The common ion converts every dissolved ion into a neutral molecule
- D.The common ion removes solvent molecules from the solution
Resposta: B
The added ion raises the concentration of a dissolution product, so Le Chatelier’s principle shifts the equilibrium toward the undissolved solid.
Por que executamos esta avaliação comparativa
O GPQA é um teste abrangente de raciocínio de nível de pós-graduação em biologia, física e química, por isso nos fornece um indicador de baixo custo e com um patamar mínimo elevado de que uma implantação está funcionando bem. Um modelo que normalmente acerta essas questões, mas apresenta uma queda repentina, costuma indicar algum problema no endpoint ou no roteamento, e não nas próprias questões.
Como executamos o mesmo conjunto fixo de questões nos endpoints dos provedores, uma grande diferença de acurácia entre provedores que servem o mesmo modelo é uma forma rápida de detectar um endpoint mal configurado ou degradado. As colunas de custo e latência mostram quanto custa oferecer essa qualidade de raciocínio.
O que as pontuações podem e não podem indicar
O GPQA é uma avaliação de escopo restrito e alta dificuldade, não uma medida completa de inteligência geral ou utilidade. Uma pontuação reflete o desempenho em questões científicas de múltipla escolha elaboradas por especialistas e deve ser considerada junto com avaliações de programação, seguimento de instruções, factualidade e outras avaliações.
As pontuações podem ser sensíveis às configurações de amostragem, ao tratamento da posição das respostas e ao número de execuções repetidas. Pequenas diferenças podem não ser significativas quando os modelos têm quantidades semelhantes de amostras, por isso a classificação inclui a variabilidade entre execuções e o contexto de custos, em vez de apresentar apenas a acurácia.
A avaliação é descrita publicamente, e algumas questões podem acabar aparecendo nos dados de treinamento. Evitamos reproduzir aqui o conjunto privado de questões, mas nenhuma avaliação pública pode garantir que todos os futuros itens de avaliação estejam livres de contaminação.
Metodologia
As pontuações agregam execuções bem-sucedidas dos últimos 90 dias, ponderadas pelo número de questões, com um limite mínimo de amostra por par modelo-provedor. A pontuação principal de um modelo usa o roteamento padrão quando disponível; caso contrário, usa o provedor mediano como alternativa de contingência. Os valores de custo, tempo e tokens de saída são médias por questão das mesmas execuções. O melhor custo-benefício é o modelo mais barato na fronteira ótima de Pareto que esteja a até cinco pontos percentuais da maior pontuação.
O GPQA Diamond é descrito no artigo original. Consulte a documentação para obter detalhes de roteamento ou explore todos os modelos para experimentar um deles.
Acesso à API
Essas pontuações estão disponíveis pela API pública de avaliações comparativas do OpenRouter, para que você possa obter os mesmos resultados por modelo de forma programática.
GET https://dynamicsinfo.com/api/v1/benchmarks?source=openrouter Authorization: Bearer <API key>
Use task_type=intelligence para filtrar por gpqa_diamond. Cada item representa um modelo e inclui accuracy, accuracy_stddev, avg_cost_per_task, total_tasks, e last_run_timestamp. Consulte: documentação da API de avaliações comparativas.
Baixar e citar
Um retrato desta classificação é publicado no conjunto de dados aberto benchmark-leaderboard (filtrar usando benchmark como coluna), regenerado daily sem necessidade de chave de API. O retrato atual foi gerado em . Está licenciado sob CC BY 4.0, então você pode reutilizá-lo e republicá-lo com atribuição ao OpenRouter.
- Baixar CSV (text/csv)
- Baixar JSON (application/json)
- Manifesto do snapshot (Somas de verificação SHA-256 dos arquivos acima)
- Manifesto mais recente (alias mutável, atualizado conforme os snapshots são publicados)
As definições das colunas, a metodologia e as regras de mascaramento estão no README do conjunto de dados.
Citar esta classificação
OpenRouter (2026). Resultados do GPQA Diamond no OpenRouter, versão de 2026-11-16. https://dynamicsinfo.com/benchmarks/gpqa-diamond. Licenciado sob CC BY 4.0.





