LLM 对比与能力评测

近期对多个 LLM 的评测与对比出现两类结论。• gemini 3.0 pro 在离线保密设计的 IQ 测试中得分 130(历史最高),门萨测试得分 142,比 gpt-5 pro 低 1 分;平均得分显著超过 gpt-5 pro(2025-11-24)。• 作者指出 IQ 不是衡量智能的唯一标准,智能是多维结构。• 多模型对比测试显示三款 LLM 各有千秋:在长文分析和洞察力产出上,sonnet 4.5 常被认为更有洞见;gpt 5.1 thinking 与 gemini 3.0 pro 在某些任务上相近,但在面试记录分析中表现差异(gemini 常给出“完美人选”,gpt-5.1 指出问题,sonnet 指出不匹配处并提供更多洞见)。• 测试方法为输入长文并要求展开分析,作者对同一问题对比三模型以取其长短。
Key insights
gemini 3.0 pro 在受控 IQ 测试中取得高分
在一项将离线保密题目用于评测的 IQ 测试中,gemini 3.0 pro 离线版得分为 130,门萨版得分为 142;门萨分数比 gpt-5 pro 低 1 分,但综合平均后 gemini 3.0 pro 的平均 IQ 得分显著超过 gpt-5 pro。评测说明离线版题目为全新且保密,排除了背答案或训练数据泄露的可能。
不同 LLM 在洞察力输出与分析风格上存在差异
多次长文输入与分析测试显示,sonnet 4.5 在洞察力输出上常被评为优于其他模型,能够指出不匹配与潜在问题;gpt 5.1 thinking 在给出优点同时指出问题方面表现平衡;gemini 3.0 pro 在某些场景(如面试记录)倾向给出更肯定的结论(如“完美人选”),三者在同一任务上的结论存在显著差异。
IQ 作为评测维度的局限性被明确指出
发布者提醒 IQ 分数并非衡量人类或 LLM 智能的唯一标准,智能结构复杂且多维,IQ 只是其中一个维度;离线版 IQ 通常比线上版低 10~20 分,测试结果需结合多维评估视角来解读。