achieving gold-medal-level performance on mathematical and physics competitions, including IMO 2025/USAMO 2026 and IPhO 2024/2025.
Directly states the model's top-tier performance on prestigious, human-competitive olympiad benchmarks (IMO, USAMO, IPhO), establishing a high bar for success in AI reasoning.
Top models scored around 40%.
这个40%的准确率表明当前AI系统在IKEA家具组装指令理解任务上的表现有限，远低于人类水平。这一数据点显示了AI在多模态空间推理方面的明显不足，但同时也为该领域提供了明确的改进基准。
SWE-Bench Verified score of 81.8 compared to Opus 4.6 (80.8) and Deepseek 4.0 Pro (80.0).
SubQ在SWE-Bench Verified测试中得分为81.8，略高于Claude Opus 4.6(80.8)和Deepseek 4.0 Pro(80.0)。这个数据点表明SubQ在软件工程任务方面已达到前沿水平，进一步验证了其实用价值。
DeepSeek-V4-Pro-Max beats GPT-5.2 and Gemini 3.0-Pro on standard reasoning benchmarks and lands just behind GPT-5.4 and Gemini 3.1-Pro
DeepSeek V4-Pro-Max在标准推理基准测试中超越了GPT-5.2和Gemini 3.0-Pro，这表明了开源模型在性能上的巨大提升。
🔹 **Enhanced Agentic Capabilities:** Open-source SOTA in Agentic Coding benchmarks.
虽然文中没有提供具体的基准测试数据，但声称在代理编程基准测试中达到开源SOTA(最先进水平)。这是一个重要断言，但缺乏具体量化指标。如果属实，这将代表DeepSeek在AI代理能力方面的重大突破，特别是在代码生成和执行任务上。需要查看技术报告中的具体基准测试数据来验证这一声明。
GPQAD | 94.4 | 90.9 | 92.7 | 92.4 | **95.1** | LCBv6 | 90.3 | 92.1 | 92.4 | 90.4 | **93.2** | SWEPro | 48.4 | 51.2 | _53.4_ | 51.3 | **54.2**
性能对比表格显示，Sakana Fugu Ultra在三个基准测试中均优于竞争对手：GPQAD上达95.1%（超越Gemini 3.1的94.4%），LCBv6上达93.2%（超越GPT 5.4的92.1%），SWEPro上达54.2%（超越Opus 4.6的53.4%）。这些数据表明其多模型协调策略确实带来了性能提升，特别是在科学推理任务上优势明显。
With only 27B parameters, it outperforms the Qwen3.5-397B-A17B (397B total / 17B active) on every major coding benchmark
通常认为参数量越多，模型性能越好，但作者提出27B参数的Qwen3.6-27B在所有主要编码基准测试中都优于拥有更多参数的Qwen3.5-397B-A17B，这与常规观点相悖。
Multiple community tests show llama.cpp running 1.8x faster than Ollama on the same hardware with the same model, 161 tokens per second versus 89.
这个性能差异数据非常惊人，表明Ollama的包装层带来了显著的性能开销，这直接挑战了Ollama作为'简化工具'的核心价值主张——如果性能大幅下降，用户为何不直接使用底层工具？
The 66.6% medal rate on MLE Bench Lite, achieved autonomously over 24 hour windows, tells you something real about how this model behaves when you give it a hard problem and step back.
这个66.6%的奖牌率是在完全自主的情况下连续24小时运行后取得的，这是一个令人印象深刻的数据点。它表明M2.7不仅能够在长时间内保持专注，还能持续改进解决问题的策略。这种自主解决问题的能力可能是评估代理模型实际价值的关键指标，远超传统基准测试所能衡量的范围。
We improved Claude's RCA accuracy by 12pp on OpenRCA
令人惊讶的是：Relvy声称将Claude的根因分析(RCA)准确度在OpenRCA基准测试中提高了12个百分点，这是一个相当显著的改进，表明AI在系统故障诊断领域可能已经达到了接近人类专家的水平。
NVIDIA yields unmatched inference throughput across the broadest range of workloads, from massive LLMs to advanced vision language models, to generative recommender systems and more, on industry-standard benchmarks.
大多数人认为AI领域存在多个竞争平台在不同领域各有所长，但作者声称NVIDIA在所有工作负载上都表现出色，这挑战了多元化竞争的行业共识，暗示了NVIDIA可能比普遍认为的更具统治力。