---
title: "SuperGPQA – 豆包大模型联合 M-A-P 开源的知识推理基准测试集"
url: "https://paooo.com/aigc-news/21345/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T17:49:50+08:00"
updated_at: "2026-06-08T17:49:50+08:00"
categories: "AIGC 资讯"
tags: "HuggingFace, OpenAI, 开源大模型, 豆包, 豆包大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# SuperGPQA – 豆包大模型联合 M-A-P 开源的知识推理基准测试集

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/21345/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 覆盖 285 个研究生级学科、26529 道题，显著补足传统评测对长尾学科的空白。
- 42.33% 题目需要数学计算或严谨推理，更能检验模型真实推理能力而非单纯记忆。
- 采用专家与多模型协同质检，兼顾题目高质量、高难度与跨学科可比性。

## SuperGPQA是什么

SuperGPQA 是字节跳动[豆包](https://ai-bot.cn/sites/4189.html)大模型团队联合 M-A-P 推出的全面覆盖 285 个研究生级学科、包含 26529 道专业题目的知识推理基准测试集。解决传统评测基准学科覆盖不全、题目质量存疑和评测维度单一的问题，基于专家与大语言模型协同构建，确保题目的高质量和高难度。SuperGPQA 包含 STEM 和非 STEM 学科，42.33% 的题目需要数学计算或严谨推理，能有效衡量大语言模型的泛化能力和真实推理水平。

## SuperGPQA的主要功能

- **全面评估大语言模型（LLM）的泛化能力**：覆盖 285 个研究生级学科（包括长尾学科），SuperGPQA 能全面衡量 LLM 在不同领域的知识储备和推理能力。

- **揭示模型的真实推理能力**：42.33% 的题目需要数学计算或形式推理，确保测试集有效评估模型在复杂任务中的表现，不仅仅是知识记忆能力。

- **提供跨学科分析框架**：SuperGPQA 的学科覆盖广泛，涵盖 STEM（科学、技术、工程、数学）和非 STEM（哲学、文学、历史等）领域，为研究模型在不同学科的表现提供统一的评估工具。

- **填补长尾学科评估空白**：传统评测集对长尾学科（如轻工业、农业、服务科学等）覆盖不足，SuperGPQA 基于全面的学科覆盖，弥补这一缺陷。

- **为模型优化提供参考**：基于在 SuperGPQA 上的评测结果，发现模型的不足之处，优化模型架构和训练方法。

## SuperGPQA的技术原理

- **专家-LLM 协同构建**：

**来源筛选**：专家从可信来源（如教科书、权威练习网站）筛选和收集原始问题，避免众包标注的低质量风险。

- **转录与规范化**：专家对原始问题进行语言规范化和格式转换，确保所有问题具备统一的学术语言和标准多项选择题格式。

- **质量检验**：通过基于规则的初步过滤、基于 LLM 的质量检测（如有效性、领域相关性评估）和专家复审，确保题目的高质量和高区分度。

- **多模型协作验证**：在质量检验阶段，用多个先进的 LLM（如 [GPT-4](https://ai-bot.cn/sites/49.html)、Gemini-flash 等）进行多维度检测，降低数据泄漏风险，提升题目的可靠性和区分度。

- **跨学科语义结构设计**：基于 t-SNE 等可视化技术分析题目语义结构，确保不同学科领域的语言特色得以保留，在工程和科学类问题中保持语义相似性。

- **高难度任务设计**：42.33% 的题目需要数学计算或严谨推理，确保测试集有效评估模型在复杂任务中的表现，不仅仅是知识记忆能力。

## SuperGPQA的项目地址

- **项目官网**：[https://supergpqa.github.io/](https://supergpqa.github.io/?utm_source=ai-bot.cn)

- **GitHub仓库**：[https://github.com/SuperGPQA/SuperGPQA](https://github.com/SuperGPQA/SuperGPQA)

- **HuggingFace模型库**：[https://huggingface.co/datasets/m-a-p/SuperGPQA](https://huggingface.co/datasets/m-a-p/SuperGPQA)

- **arXiv技术论文**：[https://arxiv.org/pdf/2502.14739](https://arxiv.org/pdf/2502.14739)

## SuperGPQA的应用场景

- **模型性能评估**：全面衡量大语言模型在多学科领域的知识和推理能力。

- **模型优化指导**：帮助研究人员发现模型不足，优化训练策略。

- **跨学科分析**：支持不同学科对模型能力的对比研究。

- **教育研究**：用于开发智能教育工具和研究 AI 在教育中的应用。

- **行业应用测试**：为智能客服、医疗辅助等行业应用提供测试工具。

## 常见问题解答 (FAQ)

### SuperGPQA主要评测什么能力？
SuperGPQA 主要评测大语言模型在多学科场景下的知识储备、泛化能力和真实推理能力。它覆盖 STEM 与非 STEM 领域，并通过高比例推理题减少“只会背答案”的偏差。

### SuperGPQA和传统基准有什么区别？
传统基准常存在学科覆盖不全、长尾学科缺失、题目质量参差和评测维度单一等问题。SuperGPQA 通过专家与 LLM 协同构建，扩大到 285 个研究生级学科，并强化高难度推理评测。

### SuperGPQA适合哪些应用场景？
它适合模型性能评估、训练策略优化、跨学科能力分析，以及教育研究和行业应用测试。研究人员可用它发现模型短板，企业也可借此评估智能客服、医疗辅助等场景的可靠性。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
