大模型越来越"卷"，到底哪家推理能力更强？最近美团LongCat团队直接甩出一套"硬核考卷"——General 365评测集，结果让人意外：连目前公认最强的Gemini 3 Pro，准确率也只有62.8%，刚刚过及格线；而绝大多数受测的26款主流大模型，连60分都没够着。

一、为什么是365？覆盖一年365天的复杂推理

这套评测集不是随便凑的题目，而是覆盖了日常复杂推理任务的多维度场景。美团LongCat团队把一整年里人类在工作、生活中可能遇到的逻辑难题、数学推演、因果分析等高难度问题，做了系统化整理，构成了"365"道关卡。

跟之前那些只考"能不能写诗"、"会不会聊天"的传统评测不同，General 365专门盯的是大模型的"硬功夫"——复杂推理、跨步骤思维、抗干扰能力。换句话说，它考的不是AI"会不会说话"，而是"会不会动脑子"。

二、实测结果：60分及格线成了"高门槛"

在26款主流大模型的横向对比中，结果相当扎心：

• 第一名Gemini 3 Pro：准确率62.8%，是唯一明显突破60分及格线的选手；
• 第二梯队：GPT-5.6、Claude Opus 4.8等海外旗舰模型，准确率在55%-60%之间徘徊；
• 国产大模型阵营：阿里通义、字节豆包、智谱GLM、深度求索等头部产品，准确率集中在45%-55%区间；
• 大量中小模型：准确率不足40%，复杂推理几乎"抓瞎"。

这一结果直接打破了一个行业错觉：很多人觉得现在的大模型已经"无所不能"了，但面对真正的多步骤复杂推理，哪怕是顶级模型也只能拿到60多分。AI的"智商天花板"，远比我们想象的要低。

三、为什么大模型"考不好"？

评测结果背后，暴露的是当前大模型的几个核心短板：

• 长链路推理容易"断片"：问题稍微复杂、需要五六步连续推导时，模型容易在中间环节出错或跳跃；
• 对隐含条件不敏感：很多现实问题不会把条件明摆出来，需要"听话听音"，而大模型对隐含信息的捕捉能力依然薄弱；
• 知识调用不精准：模型虽然"看过"海量数据，但调用相关知识点时容易"张冠李戴"；
• 对抗干扰能力差：题目里多一句无关信息，模型就开始"跑偏"。

四、对行业意味着什么？

美团LongCat这次推出General 365，至少传递了三个明确信号：

1. 评测标准要"卷"起来。过去大家刷分靠MMLU、GSM8K这些老题库，刷到90多分就敢说"超越人类"。但General 365直接把及格线拉到60分，逼着行业正视"推理短板"，别再自欺欺人。

2. 复杂推理是下一个战场。大模型的下一阶段竞争，不再是参数规模、上下文窗口这些"显性指标"，而是真正的"思考深度"。谁能解决多步骤推理问题，谁就能拿下AI Agent、智能客服、自动编程这些高价值场景。

3. 国产大模型有差距，但也有机会。虽然榜单上国产模型整体落后海外旗舰10-15个百分点，但这种"差距明确"的评测，反而给国产厂商指明了优化方向——不用再卷参数，把推理能力做扎实才是硬道理。

五、美团LongCat的"小算盘"

值得注意的是，美团这次发布评测集，醉翁之意可能不止"做裁判"。作为本地生活领域的AI大户，美团内部业务对复杂推理的需求极为旺盛：智能客服处理海量用户咨询、外卖调度系统的实时路径规划、商家经营分析的逻辑推演——这些场景都极度依赖大模型的"硬推理能力"。

推出一套自家主导的评测标准，既能推动行业往美团需要的技术方向走，又能在AI生态里建立"规则制定者"的位置。这手棋，下得相当精明。

结语

62.8%——这就是2026年6月，最强大模型的"推理天花板"。

General 365评测集的发布，与其说是给大模型"打分"，不如说是给整个行业浇了一盆冷水：AI革命的真正深水区，不是参数、不是上下文长度，而是机器到底能不能像人一样"想清楚问题"。

对开发者来说，这套评测集是很好的"体检表"；对行业来说，它是一记清醒的警钟；对普通用户来说，它提醒我们——别把AI神化，它还远没到"无所不能"的地步。