studioglobal
Khám phá xu hướng
Câu trả lờiĐã xuất bản10 nguồn

GPT-5.5 vs Claude Opus 4.7: Claude nhỉnh benchmark, GPT-5.5 mạnh workflow

Claude Opus 4.7 đang nhỉnh hơn trên benchmark công khai cho coding agent: 64,3% SWE bench Pro so với 58,6% được báo cáo cho GPT 5.5. GPT 5.5 đáng thử trước nếu bạn làm việc nhiều trong ChatGPT/Codex: OpenAI mô tả model này cho code, research online, phân tích thông tin, tài liệu, spreadsheet và di chuyển giữa các cô...

Tìm kiếm và kiểm chứng sự thật với Studio Global AIDuyệt thêm từ Khám phá
18K0
Minh họa so sánh GPT-5.5 và Claude Opus 4.7 trong benchmark, coding-agent và workflow AI
GPT-5.5 vs Claude Opus 4.7: Claude nhỉnh benchmark, GPT-5.5 mạnh workflowẢnh minh họa cho cuộc so sánh GPT-5.5 và Claude Opus 4.7.
Prompt AI

Create a landscape editorial hero image for this Studio Global article: GPT-5.5 vs Claude Opus 4.7: Claude nhỉnh benchmark, GPT-5.5 mạnh workflow. Article summary: Claude Opus 4.7 hiện có lợi thế benchmark công khai cho coding agent với 64,3% SWE bench Pro so với báo cáo 58,6% của GPT 5.5, nhưng chưa có head to head độc lập cùng điều kiện nên chưa thể gọi model nào thắng toàn di.... Topic tags: ai, openai, anthropic, chatgpt, claude. Reference image context from search candidates: Reference image 1: visual subject "# Claude Opus 4.7 vs GPT 5.5: Full Comparison (April 2026). claude-opus-4-7-vs-gpt-5-5. Anthropic dropped Claude Opus 4.7 on April 16. Both with 1M token context windows. Both clai" source context "Claude Opus 4.7 vs GPT 5.5: Full Comparison (April 2026) - FwdSlash" Reference image 2: visual subject "# Claude Opus 4.7 vs GPT 5.5: Full Comparison (April 2026). claude-opus-4-7-v

openai.com

Cuộc so sánh GPT-5.5 và Claude Opus 4.7 không nên chỉ là cuộc đua leaderboard. Với các nguồn công khai được trích ở đây, Claude Opus 4.7 có lợi thế rõ hơn ở benchmark coding-agent, còn GPT-5.5 đáng chú ý hơn ở workflow thực tế trong ChatGPT/Codex cho code, research, phân tích thông tin, tài liệu, spreadsheet và dùng công cụ.[13][20][25][33][39]

Verdict: chưa có người thắng tuyệt đối

Câu trả lời công bằng là: chưa đủ bằng chứng để kết luận một model mạnh hơn toàn diện. Các số liệu quan trọng hiện đến từ những nguồn khác nhau: VentureBeat báo cáo Claude Opus 4.7 đạt 64,3% trên SWE-bench Pro và 94,2% trên GPQA Diamond; Interesting Engineering báo cáo GPT-5.5 đạt 58,6% trên SWE-Bench Pro; LLM Stats liệt kê cả GPT-5.5 và Claude Opus 4.7 quanh mức 0,94 trên GPQA.[33][39][41]

Những con số đó hữu ích để shortlist model, nhưng không tương đương một bài head-to-head độc lập chạy cùng prompt, cùng tool, cùng token budget, cùng harness và cùng điều kiện inference.[33][39][41]

Nếu buộc phải chọn theo tín hiệu hiện tại:

  • Ưu tiên coding-agent và benchmark công khai: nghiêng về Claude Opus 4.7.[33][39]
  • Ưu tiên workflow trong ChatGPT/Codex: nên thử GPT-5.5 trước.[13][20][25]
  • Ưu tiên triển khai sản phẩm: test cả hai trên workload thật, vì trạng thái API, pricing và token usage khác nhau.[1][8][25][26]

Bảng so sánh nhanh

Tiêu chíGPT-5.5Claude Opus 4.7Điểm cần nhớ
Ra mắt và truy cậpOpenAI công bố GPT-5.5 ngày 23/4/2026; tài liệu OpenAI ghi model hiện có trong ChatGPT và Codex, còn API availability là coming soon.[24][25]Anthropic ghi Claude Opus 4.7 ra mắt ngày 16/4/2026 trên Claude Platform.[1]Nếu cần dùng ngay trong ChatGPT/Codex, GPT-5.5 thuận tiện hơn; nếu cần triển khai qua Claude Platform, Opus 4.7 có trạng thái rõ hơn trong các nguồn được trích.[1][25]
Coding-agentInteresting Engineering báo cáo GPT-5.5 đạt 58,6% trên SWE-Bench Pro.[39] OpenAI cũng đưa GPT-5.5 vào Codex cho complex coding, computer use, knowledge work và research workflows.[13]VentureBeat báo cáo Opus 4.7 đạt 64,3% trên SWE-bench Pro.[33]Chỉ nhìn các điểm SWE-bench Pro được trích ở đây, Opus 4.7 đang nhỉnh hơn; vẫn nên test trên repo thật của bạn.[33][39]
ReasoningLLM Stats liệt kê GPT-5.5 khoảng 0,94 trên GPQA.[41]VentureBeat báo cáo Opus 4.7 đạt 94,2% trên GPQA Diamond và Elo 1753 trên GDPVal-AA; LLM Stats cũng liệt kê Opus 4.7 khoảng 0,94 trên GPQA.[33][41]Opus có số báo cáo nổi bật hơn ở một số benchmark, nhưng GPQA trong LLM Stats cho thấy khoảng cách không rõ ràng ở mọi thước đo.[33][41]
Workflow tri thứcOpenAI mô tả GPT-5.5 cho code, research online, phân tích thông tin, tạo tài liệu và spreadsheet, cũng như di chuyển giữa các công cụ.[20]Anthropic định vị Opus 4.7 là model generally available mạnh nhất của họ cho complex reasoning và agentic coding.[1]GPT-5.5 hợp hơn nếu công việc nằm trong hệ sinh thái ChatGPT/Codex; Opus 4.7 hợp hơn nếu trọng tâm là reasoning và coding-agent.[1][13][20][25]
Chi phí và tokenTrang pricing của OpenAI liệt kê GPT-5.5 là coming soon và input price $5,00/1M tokens.[26]Anthropic ghi Opus 4.7 giữ mức $5/$25 mỗi MTok như Opus 4.6.[1] Anthropic cũng cảnh báo tokenizer mới có thể khiến cùng input map thành khoảng 1,0–1,35 lần token tùy nội dung.[8]Đừng chỉ nhìn giá niêm yết; hãy đo token thực tế, độ dài output và số lượt tool call trên workload của bạn.[8][26]

Coding-agent: Claude Opus 4.7 có lợi thế benchmark công khai

Với câu hỏi hẹp là model nào tốt hơn cho coding-agent, Claude Opus 4.7 hiện có tín hiệu định lượng rõ hơn. VentureBeat báo cáo Opus 4.7 giải được 64,3% tác vụ trên SWE-bench Pro, trong khi một bài của Interesting Engineering ghi GPT-5.5 đạt 58,6% trên SWE-Bench Pro.[33][39]

Điều này không có nghĩa Claude chắc chắn tốt hơn trong mọi codebase. Benchmark coding có thể nhạy với harness, môi trường test, quyền dùng tool, cách prompt, giới hạn token và tiêu chí chấm. Vì vậy, kết luận thực dụng hơn là: Opus 4.7 đang có lợi thế ở các số liệu SWE-bench Pro được trích ở đây, nhưng quyết định thật vẫn nên dựa trên repo và workflow của bạn.[33][39]

GPT-5.5 vẫn là lựa chọn đáng thử cho developer đang dùng Codex. OpenAI ghi GPT-5.5 đã có trong Codex như frontier model mới cho complex coding, computer use, knowledge work và research workflows.[13] Nếu công việc không chỉ là sửa bug mà còn gồm hiểu hệ thống, tìm ngữ cảnh, dùng công cụ, viết tài liệu và hoàn thành chuỗi tác vụ dài, lợi thế tích hợp của GPT-5.5 trong Codex là điểm cần tính đến.[13][20]

Reasoning và knowledge work: Opus có số nổi bật, GPT-5.5 không bị bỏ xa trên GPQA

Ở nhóm reasoning, Claude Opus 4.7 có các con số nổi bật trong nguồn báo chí được trích: 94,2% trên GPQA Diamond và Elo 1753 trên GDPVal-AA.[33] Đây là tín hiệu tích cực cho các bài toán cần lập luận phức tạp hoặc xử lý công việc tri thức, nhưng vẫn không nên xem một benchmark là đại diện cho mọi loại reasoning.[33]

Khoảng cách cũng không nên bị phóng đại. LLM Stats liệt kê cả Claude Opus 4.7 và GPT-5.5 ở khoảng 0,94 trên GPQA.[41] Vì vậy, kết luận hợp lý hơn là: Opus 4.7 có bằng chứng benchmark công khai mạnh hơn ở một số điểm, nhưng chưa đủ để nói GPT-5.5 thua trên mọi dạng reasoning.[33][41]

Workflow ChatGPT/Codex: nơi GPT-5.5 đáng chú ý nhất

GPT-5.5 được OpenAI đặt trong bối cảnh công việc thực tế hơn là chỉ trả lời câu hỏi khó. System Card của OpenAI mô tả GPT-5.5 là model cho complex, real-world work, gồm viết code, nghiên cứu online, phân tích thông tin, tạo tài liệu và spreadsheet, cũng như di chuyển giữa các công cụ để hoàn thành việc.[20]

OpenAI cũng ghi GPT-5.5 hiện có trong ChatGPT và Codex, trong khi API availability là coming soon.[25] Codex changelog gọi GPT-5.5 là frontier model mới cho complex coding, computer use, knowledge work và research workflows.[13]

Vì vậy, nếu bạn là người dùng ChatGPT/Codex và mục tiêu là tăng năng suất cá nhân hoặc nhóm qua phân tích file, sửa code, viết tài liệu, lập kế hoạch, research, tạo spreadsheet hoặc hoàn thành output nhiều bước, GPT-5.5 là model nên thử sớm.[13][20][25]

API, pricing và tokenizer: phần dễ làm sai khi chọn model

Nếu chọn model cho sản phẩm, benchmark chỉ là một phần. Bạn còn cần kiểm tra model đã có API chưa, giá input/output ra sao, tokenizer có làm tăng số token không, model có tạo output dài hơn không và chi phí thực tế trên workload của bạn là bao nhiêu.[1][8][25][26]

Theo tài liệu OpenAI API, GPT-5.5 hiện có trong ChatGPT và Codex, còn API availability là coming soon.[25] Trang pricing của OpenAI liệt kê GPT-5.5 là coming soon và input price $5,00/1M tokens.[26]

Ở phía Anthropic, release notes ghi Claude Opus 4.7 đã ra mắt trên Claude Platform với mức $5/$25 mỗi MTok như Opus 4.6.[1] Tuy nhiên, Anthropic cũng cho biết Opus 4.7 dùng tokenizer mới, khiến cùng một input có thể map thành khoảng 1,0–1,35 lần token tùy loại nội dung; hãng cũng lưu ý model có thể think nhiều hơn ở effort cao, đặc biệt ở các lượt agentic về sau, làm tăng output tokens.[8]

Nói ngắn gọn: một model có benchmark tốt hơn vẫn có thể không phải lựa chọn tối ưu nếu workload của bạn dài, nhiều lượt, nhiều tool call hoặc cần kiểm soát chi phí chặt chẽ.[8]

Nên chọn GPT-5.5 hay Claude Opus 4.7?

Chọn Claude Opus 4.7 nếu:

  • Bạn ưu tiên coding-agent và muốn tín hiệu benchmark công khai rõ ràng hơn, đặc biệt quanh SWE-bench Pro.[33][39]
  • Bạn cần model được Anthropic mô tả là generally available mạnh nhất của họ cho complex reasoning và agentic coding.[1]
  • Bạn đang triển khai qua Claude Platform và có thể kiểm tra tác động của tokenizer mới lên chi phí thực tế.[1][8]

Chọn GPT-5.5 nếu:

  • Bạn làm việc nhiều trong ChatGPT hoặc Codex và cần model xử lý workflow nhiều bước qua code, research, phân tích, tài liệu, spreadsheet và tool use.[13][20][25]
  • Bạn đánh giá cao việc model được tích hợp sẵn vào môi trường làm việc hơn là chỉ một bảng benchmark.[13][25]
  • Bạn muốn thử model được OpenAI giới thiệu cho complex, real-world work thay vì chỉ một tác vụ hẹp.[20]

Test cả hai nếu:

  • Bạn có codebase nội bộ, workflow agent nhiều tool call, dữ liệu doanh nghiệp hoặc tiêu chuẩn chất lượng riêng.
  • Quyết định model ảnh hưởng đến chi phí vận hành, latency, tỷ lệ tác vụ hoàn thành hoặc trải nghiệm của nhiều người dùng.
  • Bạn cần tối ưu đồng thời chất lượng output, độ ổn định, số token, số lượt sửa và khả năng hoàn thành tác vụ dài.

Cách test công bằng trên workload của bạn

Để tránh chọn model theo cảm tính, hãy tạo một bộ evaluation nhỏ nhưng sát thực tế:

  1. Chọn các tác vụ thật: bug từ repo, yêu cầu phân tích dữ liệu, nhiệm vụ research, prompt tạo tài liệu hoặc workflow dùng nhiều tool.
  2. Dùng cùng input, cùng file, cùng quyền tool, cùng giới hạn thời gian và cùng tiêu chí chấm cho cả hai model.
  3. Chấm bằng output cuối cùng, không chỉ bằng vẻ tự tin của câu trả lời.
  4. Ghi lại số lượt sửa, lỗi factual, test pass/fail, token dùng, thời gian hoàn thành và chi phí ước tính.
  5. Tách riêng các nhóm việc: coding-agent, reasoning, writing, data analysis, spreadsheet và tool use.

Cách này quan trọng vì bức tranh hiện tại không một chiều: Opus 4.7 có số benchmark coding/reasoning nổi bật hơn trong các nguồn được trích, trong khi GPT-5.5 được đặt sâu trong workflow ChatGPT/Codex cho công việc thực tế nhiều bước.[13][20][25][33][39]

Kết luận

Claude Opus 4.7 nhỉnh hơn nếu bạn chấm theo benchmark công khai cho coding-agent và một số tín hiệu reasoning/knowledge-work. VentureBeat báo cáo Opus 4.7 đạt 64,3% SWE-bench Pro, 94,2% GPQA Diamond và Elo 1753 trên GDPVal-AA.[33]

GPT-5.5 nhỉnh hơn nếu trọng tâm là workflow trong ChatGPT/Codex. OpenAI mô tả GPT-5.5 cho code, research online, phân tích thông tin, tài liệu, spreadsheet và di chuyển giữa các công cụ; OpenAI cũng ghi model này hiện có trong ChatGPT và Codex.[20][25]

Kết luận thực dụng nhất: Claude Opus 4.7 có lợi thế benchmark rõ hơn; GPT-5.5 có lợi thế workflow rõ hơn; chưa đủ bằng chứng để gọi một model là mạnh nhất toàn diện.

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

Tìm kiếm và kiểm chứng sự thật với Studio Global AI

Bài học chính

  • Claude Opus 4.7 đang nhỉnh hơn trên benchmark công khai cho coding agent: 64,3% SWE bench Pro so với 58,6% được báo cáo cho GPT 5.5.
  • GPT 5.5 đáng thử trước nếu bạn làm việc nhiều trong ChatGPT/Codex: OpenAI mô tả model này cho code, research online, phân tích thông tin, tài liệu, spreadsheet và di chuyển giữa các công cụ.[13][20][25]
  • Claude Opus 4.7 rõ hơn về triển khai API trong các nguồn được trích, nhưng cần tính cả tokenizer mới có thể làm cùng input tăng lên khoảng 1,0–1,35 lần token tùy nội dung.[1][8]

Người ta cũng hỏi

Câu trả lời ngắn gọn cho "GPT-5.5 vs Claude Opus 4.7: Claude nhỉnh benchmark, GPT-5.5 mạnh workflow" là gì?

Claude Opus 4.7 đang nhỉnh hơn trên benchmark công khai cho coding agent: 64,3% SWE bench Pro so với 58,6% được báo cáo cho GPT 5.5.

Những điểm chính cần xác nhận đầu tiên là gì?

Claude Opus 4.7 đang nhỉnh hơn trên benchmark công khai cho coding agent: 64,3% SWE bench Pro so với 58,6% được báo cáo cho GPT 5.5. GPT 5.5 đáng thử trước nếu bạn làm việc nhiều trong ChatGPT/Codex: OpenAI mô tả model này cho code, research online, phân tích thông tin, tài liệu, spreadsheet và di chuyển giữa các công cụ.[13][20][25]

Tôi nên làm gì tiếp theo trong thực tế?

Claude Opus 4.7 rõ hơn về triển khai API trong các nguồn được trích, nhưng cần tính cả tokenizer mới có thể làm cùng input tăng lên khoảng 1,0–1,35 lần token tùy nội dung.[1][8]

Tôi nên khám phá chủ đề liên quan nào tiếp theo?

Tiếp tục với "Phân tích nghiên cứu: Trẻ học từ nhờ nghe nhiều hơn hay xử lý từ nhanh hơn?" để có góc nhìn khác và trích dẫn bổ sung.

Mở trang liên quan

Tôi nên so sánh điều này với cái gì?

Kiểm tra chéo câu trả lời này với "Trẻ học nói không chỉ nhờ nghe nhiều: cách người lớn đáp lời có liên quan ra sao?".

Mở trang liên quan

Tiếp tục nghiên cứu của bạn

請幫我分析文獻

Phân tích nghiên cứu: Trẻ học từ nhờ nghe nhiều hơn hay xử lý từ nhanh hơn?

Ngôn ngữ đầu vào hay tốc độ xử lý từ: điều gì dự báo vốn từ của trẻ?

分析研究結果

Trẻ học nói không chỉ nhờ nghe nhiều: cách người lớn đáp lời có liên quan ra sao?

Cách người lớn đáp lời trẻ có liên quan gì đến phát triển ngôn ngữ?

IT Consulting Orange County CA, IT Services, IT Outsourcing - Technijian. # Anthropic Claude Security for Enterprise: What You Need to Know. Anthropic has officially opened Claude

Claude Security beta: Anthropic dùng AI để quét lỗ hổng mã nguồn doanh nghiệp

Claude Security beta: Anthropic dùng AI để quét lỗ hổng mã nguồn doanh nghiệp

抽象 AI 介面顯示 Grok 4.3 API、1M context、token 價格與語音波形

Grok 4.3 API: 1 triệu token, giá thấp và tham vọng voice agent của xAI

Grok 4.3 API: 1 triệu token, giá thấp và tham vọng voice agent của xAI

Trao đổi nghiên cứu

Bạn

Câu hỏi nghiên cứu

So sánh sức mạnh của GPT 5.5 vs Claude Opus 4.7

Studio Global AI40 nguồn

Câu trả lời được trích dẫn

Nếu chốt nhanh: Claude Opus 4.7 hiện có lợi thế rõ hơn trên các benchmark công khai về reasoning/coding-agent, còn GPT-5.5 được OpenAI định vị là model reasoning mạnh nhất trong ChatGPT cho công việc khó và workflow nhiều bước.[2][10][15] Nhưng để nói model nào “mạnh hơn toàn diện” thì hiện vẫn là Insufficient evidence, vì tôi chưa thấy bộ head-to-head độc lập, cùng điều kiện, đối chiếu trực tiếp GPT-5.5 với Opus 4.7 trong các nguồn tôi kiểm được.[2][15]

  • Anthropic mô tả Claude Opus 4.7 là model generally available mạnh nhất của họ cho complex reasoning và agentic coding.[2]

  • OpenAI mô tả GPT-5.5 Thinking là model reasoning mạnh nhất trong ChatGPT, và nói nó tốt hơn các Thinking model trước ở spreadsheet, editing, data analysis, coding, hiểu mục tiêu phức tạp, dùng tool, và tự kiểm tra kết quả.[15]

  • Về bằng chứng benchmark công khai, một nguồn tổng hợp báo cáo từ đợt ra mắt cho biết Opus 4.7 đạt 64.3% trên SWE-bench Pro, 94.2% trên GPQA Diamond, và Elo 1753 trên GDPVal-AA; nguồn này cũng nhận định Opus 4.7 “narrowly” lấy lại vị trí dẫn đầu trong nhóm model generally available.[10]

  • Trong các nguồn tôi truy xuất được, tôi không thấy OpenAI công bố ngay một bảng benchmark chính thức đối chiếu trực tiếp GPT-5.5 với Claude Opus 4.7 theo cùng test harness, nên không thể kết luận công bằng rằng GPT-5.5 đã vượt Opus 4.7 trên mọi mặt.[8][15]

  • Nếu ưu tiên code agent, benchmark công khai, và complex reasoning có số liệu thấy ngay, tôi sẽ nghiêng nhẹ về Claude Opus 4.7.[2][10]

  • Nếu ưu tiên trải nghiệm ChatGPT cho công việc tri thức tổng hợp như phân tích dữ liệu, chỉnh sửa nội dung, spreadsheet, và workflow nhiều bước có dùng tool, tôi sẽ nghiêng nhẹ về GPT-5.5.[15]

Nếu muốn, tôi có thể làm tiếp một bản so sánh rất thực dụng theo 3 tiêu chí: code, viết/phân tích, và giá/tốc độ.

Nguồn

  • [1] Claude Platform - Claude API Docsdocs.anthropic.com

    April 16, 2026 We've launched Claude Opus 4.7, our most capable generally available model for complex reasoning and agentic coding, at the same $5 / $25 per MTok pricing as Opus 4.6. See What's new in Claude Opus 4.7 for capability improvements, new feature...

  • [8] Introducing Claude Opus 4.7 - Anthropicanthropic.com

    Migrating from Opus 4.6 to Opus 4.7 Opus 4.7 is a direct upgrade to Opus 4.6, but two changes are worth planning for because they affect token usage. First, Opus 4.7 uses an updated tokenizer that improves how the model processes text. The tradeoff is that...

  • [13] Codex changelog - OpenAI Developersdevelopers.openai.com

    Changelog Feature Maturity Open Source April 2026 March 2026 February 2026 January 2026 December 2025 November 2025 October 2025 September 2025 August 2025 June 2025 May 2025 Codex changelog Latest updates to Codex, OpenAI’s coding agent All updatesGeneralC...

  • [20] GPT-5.5 System Cardopenai.com

    GPT-5.5 System Card OpenAI Skip to main content Log inTry ChatGPT(opens in a new window) Research Products Business Developers Company Foundation(opens in a new window) GPT-5.5 System Card OpenAI April 23, 2026 SafetyPublication GPT‑5.5 System Card Read the...

  • [24] Introducing GPT-5.5openai.com

    Introducing GPT-5.5 OpenAI Skip to main content Log inTry ChatGPT(opens in a new window) Research Products Business Developers Company Foundation(opens in a new window) Try ChatGPT(opens in a new window)Login OpenAI Table of contents Model capabilities Next...

  • [25] Models | OpenAI APIdevelopers.openai.com

    Legacy APIs Assistants API Migration guide Deep dive Tools Resources Terms and policies Changelog Your data Permissions Rate limits Deprecations MCP for deep research Developer mode ChatGPT Actions Introduction Getting started Actions library Authentication...

  • [26] API Pricing - OpenAIopenai.com

    OpenAI API Pricing OpenAI Skip to main content Log inTry ChatGPT(opens in a new window) Research Products Business Developers Company Foundation(opens in a new window) OpenAI API Pricing OpenAI API Pricing Contact sales Flagship models Our frontier models a...

  • [33] Anthropic releases Claude Opus 4.7, narrowly retaking lead for most ...venturebeat.com

    Knowledge Work (GDPVal-AA): It achieved an Elo score of 1753, notably outperforming GPT-5.4 (1674) and Gemini 3.1 Pro (1314). Agentic Coding (SWE-bench Pro): The model resolved 64.3% of tasks, compared to 53.4% for its predecessor. Graduate-Level Reasoning...

  • [39] OpenAI's GPT-5.5 masters agentic coding with 82.7% benchmark ...interestingengineering.com

    On SWE-Bench Pro, it reached 58.6%, solving more real-world GitHub issues in a single pass than earlier versions. The model also outperformed its predecessor in long-horizon engineering tasks measured by internal benchmarks. These tasks often take human dev...

  • [41] GPT-5.5: Pricing, Benchmarks & Performancellm-stats.com

    9Image 42GPT-5 mini 0.22 10Image 43o3 0.16 GPQAView → 4 of 10 Image 44: LLM Stats Logo A challenging dataset of 448 multiple-choice questions written by domain experts in biology, physics, and chemistry. Questions are Google-proof and extremely difficult, w...