DeepSeek 更新日志给出的两个参考分放在一起读很有意思：GPQA Diamond 90.9，HLE 36.8。前者已经接近理科博士水平，后者却连四成都不到。这 54 分的落差，正是当前前沿模型能力边界最诚实的写照。
GPQA 与 HLE 这两个基准到底在考什么？
GPQA Diamond 是研究生级别的科学多选题，题目相对封闭、答案唯一，靠知识检索与逻辑推演就能拿下。HLE（Humanity’s Last Exam）则刻意收集那些即便专家也要查资料、有争议、信息高度不对称的难题，目的就是让模型「考不过」。90.9 与 36.8 的对比说明：在结构清晰的知识型任务上，模型已经很强；但在需要跨领域综合判断、容忍不确定性的开放难题上，它仍有巨大鸿沟。
90.9 与 36.8 的落差为什么重要？
很多宣传只挑高分基准说事儿。只看 GPQA，会觉得 AGI 近在咫尺；加上 HLE，才发现模型在「不知道自己不知道」的地方依然脆弱。对企业采购，这意味着：把模型用在有标准答案的环节，可靠性可观；把它用在需要权衡的高风险决策上，仍需人类兜底。
面对榜单，正确的读法是什么？
别只看单一最高分，把知识型基准与开放难题基准对照着看。前沿模型的真实水位，约等于两者之间的位置，而不是那个漂亮的 90.9。
这个落差怎么用在模型采购决策里？
给企业做模型选型时，建议建立两张表：一张知识型基准（GPQA、MMLU 类），一张开放难题型基准（HLE 类）。把候选模型放上去对照，而不是只看厂商宣传的最高分。如果一个模型知识分很高、开放分很低，它适合做客服、摘要这类有标准答案的活；两张表都过得去，才敢让它碰需要权衡的决策。对普通用户，记住一个朴素原则：模型说得越自信，越要想想它是不是在一个「其实不确定」的问题上硬给了答案。36.8 这个分数，就是这份谦逊的量化依据。
说到底，榜单是用来照出边界的，不是用来制造幻觉的。把 90.9 与 36.8 并排贴在墙上，团队才不会在乐观与悲观之间反复横跳，而是老老实实知道自己站在哪、离下一道坎还有多远。