List your company

Reasoning Evaluation on BIG-Bench Hard (test)

87.3Average AccuracyGPT-4o
36.65249.80162.9576.099Nov 9, 2023Apr 10, 2024Sep 11, 2024Feb 11, 2025Jul 15, 2025Dec 15, 2025May 18, 2026

Evaluation results

MethodLinks
GPT-4oModel=GPT-4o, Evaluation Strategy=All Text2025.0587.3—————————————————————————————————
R1-CIModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=R1-CI2025.0586.5—————————————————————————————————
GPT-4oModel=GPT-4o, Evaluation Strategy=Code Interpreter2025.0585.9—————————————————————————————————
R1-CIModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=R1-CI wo IP2025.0581.4—————————————————————————————————
Qwen2.5-14B-Instruct-1MModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=All Text2025.0580.4—————————————————————————————————
R1-CIModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=R1-CI2025.0580—————————————————————————————————
R1-CIModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=R1-CI wo CL2025.0579.7—————————————————————————————————
DeBoPBackbone=LLaMA3-8B2025.0679.4—————70—82————84————74———83——76———————87
IH-GRPOBackbone=Qwen3-8B2026.0579.38——————97.6—————90——91.6—————————————————
Qwen2.5-14B-Instruct-1MModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=CodeSteer2025.0579—————————————————————————————————
Human-Rater2024.0978.4———————————79.4———————81.9—————70.8————81.3——
Qwen2.5-14B-Instruct-1MModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=All Code2025.0578—————————————————————————————————
ARDTsEmbedding Type=GPT-22024.0977.4———————————85.3———————69.2—————83.9————71.1——
R1-CIModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=R1-CI wo GRPO2025.0577.3—————————————————————————————————
R1-CIModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=R1-CI wo IP2025.0576.6—————————————————————————————————
GPT 3.52025.0676.3—————63—86————85————74———79——67———————80
Qwen3-14BModel=Qwen3-14B, Evaluation Strategy=CodeSteer2025.0576.2—————————————————————————————————
R1-CIModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=R1-CI wo CL2025.0574.1—————————————————————————————————
Qwen3-14BModel=Qwen3-14B, Evaluation Strategy=All Text2025.0573.8—————————————————————————————————
IH-GRPOBackbone=Qwen3-4B2026.0572.01——————92.4—————79.6——85.6—————————————————
R1-CIModel=Qwen2.5-3B-Instruct, Evaluation Strategy=R1-CI2025.0571.2—————————————————————————————————
Qwen2.5-14B-Instruct-1MModel=Qwen2.5-14B-Instruct-1M, Evaluation Strategy=Code Agent (CI wo Fine-tune)2025.0570.4—————————————————————————————————
InstructGPT2024.0970.3———————————90———————68—————71.6————51.6——
R1-CIModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=R1-CI wo GRPO2025.0570.1—————————————————————————————————
CoT PromptingBackbone=LLaMA3-8B2025.0669.7—————63—95————59————66———62——68———————75
Qwen2.5-7B-Instruct-1MModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=Code Agent (CI wo Fine-tune)2025.0569.7—————————————————————————————————
PaLM 540B2024.0969.3———————————83.2———————62.4—————80.4————51.2——
Qwen2.5-7B-Instruct-1MModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=All Text2025.0569.1—————————————————————————————————
IH-GRPOBackbone=Qwen3-1.7B2026.0568.11——————76—————78——80.8—————————————————
Qwen2.5-7B-Instruct-1MModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=CodeSteer2025.0567.5—————————————————————————————————
R1-CIModel=Qwen2.5-3B-Instruct, Evaluation Strategy=R1-CI wo IP2025.0566.2—————————————————————————————————
DeBoPBackbone=LLaMA3.2-3B2025.0666.1—————56—59————74————59———67——74———————74
Codex2024.0965.8———————————88.4———————50.4—————72.8————51.6——
R1-CIModel=Qwen2.5-3B-Instruct, Evaluation Strategy=R1-CI wo CL2025.0564.7—————————————————————————————————
BaseBackbone=Qwen3-4B2026.0564.01——————86.4—————64.8——74.8—————————————————
Our Methodsearch budget=50 evaluations, pool size=4, backbone=T5-encoder2023.1163.5———63.758.76873.185.520.983.554.7——————————————————————
ARDTsEmbedding Type=Linear2024.0963.2———————————72———————55.4—————72.3————53.2——
SOTA2024.0963.1———————————68.5———————56—————68.1————59.6——
Qwen2.5-7B-Instruct-1MModel=Qwen2.5-7B-Instruct-1M, Evaluation Strategy=All Code2025.0563.1—————————————————————————————————
PE22023.1163.09———56.32—505290858—9276406042667078847473.91723673.0864826466644666—
BaseBackbone=Qwen3-8B2026.0562.87——————96—————64.8——73.2—————————————————
APO2023.1162.23———58.62—604292474—9472485840706874746671.74703467.9570726066624468—
R1-CIModel=Qwen2.5-3B-Instruct, Evaluation Strategy=R1-CI wo GRPO2025.0561.6—————————————————————————————————
Greedysearch budget=50 evaluations, pool size=12023.1159.3———59.653.663.468.879.317.381.151.3——————————————————————
Evolve 'Step-by-step'search budget=50 evaluations2023.1158.7———58.255.761.862.479.620.481.550.3——————————————————————
Iter. APE2023.1158.36———49.43—385092660—8672444438826674567076.09644260.2666525858664660—
CoT PromptingBackbone=LLaMA3.2-3B2025.0658.1—————49—71————47————51———69——56———————66
Genetic Algorithmsearch budget=50 evaluations, pool size=42023.1157.6———59.256.56164.576.316.478.948.2——————————————————————
Init.2023.1157.17———48.28—4652861274—8874365640665474586469.57664053.8564545664663052—
StrategyLLMBackbone=LLaMA3-8B2025.0657.1—————63—78————41————60———32——69———————57
Self-DiscoverBackbone=LLaMA3-8B2025.0656.9—————57—63————50————50———72——53———————53
Qwen2.5-3B-InstructModel=Qwen2.5-3B-Instruct, Evaluation Strategy=CodeSteer2025.0556.6—————————————————————————————————
Original Prompt2023.1155.3———58.954.4586074.4168238.8——————————————————————
Qwen2.5-3B-InstructModel=Qwen2.5-3B-Instruct, Evaluation Strategy=All Code2025.0552.3—————————————————————————————————
DPBackbone=LLaMA3-8B2025.0651.9—————42—76————32————61———52——49———————51
Qwen2.5-3B-InstructModel=Qwen2.5-3B-Instruct, Evaluation Strategy=Code Agent (CI wo Fine-tune)2025.0551.9—————————————————————————————————
Random2024.0950———————————50———————50—————50————50——
Qwen2.5-3B-InstructModel=Qwen2.5-3B-Instruct, Evaluation Strategy=All Text2025.0549.7—————————————————————————————————
DPBackbone=LLaMA3.2-3B2025.0649.4—————30—70————42————52———44——55———————45
BaseBackbone=Qwen3-1.7B2026.0549——————58.8—————55.2——52.8—————————————————
Self-DiscoverBackbone=LLaMA3.2-3B2025.0648.7—————43—53————46————42———43——60———————44
StrategyLLMBackbone=LLaMA3.2-3B2025.0638.6—————53—49————28————22———27——51———————38
CoTlabels_access=none2025.10————65.370.97272.589.1————87.742.276.172.6———87.8—91.5——83.3——72.453.290.479.6——
Direct Prompt TuningInitialization=3-shot Q-A2023.11—70.4————————————————————————————————
No promptlabels_access=none2025.10————66.169.869.873.990————85.443.478.573.9———86.9—91.5——82.3——69.549.98976.6——
PDOlabels_access=none, selection_metric=Copeland score2025.10————68.168.173.874.491————91.859.880.471.1———90—93.7——84——79.664.19394.2——
PoSlabels_access=none2025.10————65.269.369.873.989.6————87.840.379.875———86.6—91——81.6——72.553.888.886.1——
Rejection SamplingInitialization=Bootstrapped 3-shot Q-R-A2023.11—64.665.3———————————————————————————————
SPOlabels_access=none2025.10————65.566.272.573.888.6————88.46578.772.1———87.4—93.4——82——69.254.382.681.8——
STaRInitialization=Bootstrapped 3-shot Q-R-A2023.11—6262.191.6——————————————————————————————
TRICE with CVInitialization=Bootstrapped 3-shot Q-R-A2023.11—72.873.198.8——————————————————————————————
TRICE with CVInitialization=3-shot Q-R-A2023.11—76.777.698.6——————————————————————————————
TRICE without CVInitialization=Bootstrapped 3-shot Q-R-A2023.11—67.86898.7——————————————————————————————
TRICE without CVInitialization=3-shot Q-R-A2023.11—73.475.298.2——————————————————————————————