List your company

Reasoning on Big-Bench Hard (test)

73.9AccuracyAgent-GWO
-2.95616.99736.9556.903Feb 5, 2024Jun 17, 2024Oct 28, 2024Mar 10, 2025Jul 21, 2025Dec 1, 2025Apr 14, 2026

Evaluation results

MethodLinks
Agent-GWOBackbone=GPT-4o-mini2026.0473.9————————————————————————————————————
AoTBackbone=GPT-4o-mini2026.0472.4————————————————————————————————————
Agent-GWOBackbone=Gemma-3-12b-it2026.0470.4————————————————————————————————————
GoTBackbone=GPT-4o-mini2026.0470.1————————————————————————————————————
ToTBackbone=GPT-4o-mini2026.0469.9————————————————————————————————————
CoT-SC/n=5Backbone=GPT-4o-mini2026.0469————————————————————————————————————
AoTBackbone=Gemma-3-12b-it2026.0468.7————————————————————————————————————
ToTBackbone=Gemma-3-12b-it2026.0468.4————————————————————————————————————
AFlowBackbone=GPT-4o-mini2026.0468————————————————————————————————————
GoTBackbone=Gemma-3-12b-it2026.0468————————————————————————————————————
Self-RefineBackbone=GPT-4o-mini2026.0467.5————————————————————————————————————
CoTBackbone=GPT-4o-mini2026.0466.6————————————————————————————————————
CoT-SC/n=5Backbone=Gemma-3-12b-it2026.0466.5————————————————————————————————————
AFlowBackbone=Gemma-3-12b-it2026.0466————————————————————————————————————
Self-RefineBackbone=Gemma-3-12b-it2026.0465.2————————————————————————————————————
CoTBackbone=Gemma-3-12b-it2026.0464.9————————————————————————————————————
Dynamic Persona RoutingTotal=6511, Sampled=6512026.0462.06———————————————————————————————————404
MoE w/ optimal ARModel Type=MoE, Activation rate=20.07, Compute=2.86e21, Data reuse=-2025.0660.01————————————————————————————————————
DeepSeekMath-BaseSize=7B, prompting=few-shot chain-of-thought2024.0259.5————————————————————————————————————
Agent-GWOBackbone=Qwen2.5-Coder-7B-Instruct2026.0458.8————————————————————————————————————
Dense baselineModel Type=Dense, Compute=5.45e212025.0658.02————————————————————————————————————
AoTBackbone=Qwen2.5-Coder-7B-Instruct2026.0457————————————————————————————————————
MoE w/ optimal ARModel Type=MoE, Activation rate=20.07, Compute=2.86e21, Data reuse=strict2025.0656.07————————————————————————————————————
MistralSize=7B, prompting=few-shot chain-of-thought2024.0255.7————————————————————————————————————
DeepSeek-Coder-Base-v1.5Size=7B, prompting=few-shot chain-of-thought2024.0255.2————————————————————————————————————
ToTBackbone=Qwen2.5-Coder-7B-Instruct2026.0455————————————————————————————————————
NRT-GMBackbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0254.3————————————————————————————————————
GoTBackbone=Qwen2.5-Coder-7B-Instruct2026.0453.4————————————————————————————————————
AFlowBackbone=Qwen2.5-Coder-7B-Instruct2026.0452.5————————————————————————————————————
NRT-WS (-log p)Backbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0251————————————————————————————————————
NRT-WS (1/p)Backbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0250.3————————————————————————————————————
CoT-SC/n=5Backbone=Qwen2.5-Coder-7B-Instruct2026.0449.1————————————————————————————————————
Self-RefineBackbone=Qwen2.5-Coder-7B-Instruct2026.0448.6————————————————————————————————————
CoTBackbone=Qwen2.5-Coder-7B-Instruct2026.0447.4————————————————————————————————————
AlchemistCoder-DSBase Model=DeepSeek-Coder, Parameters=6.7B2024.0545.6————————————————————————————————————
NRT-GMBackbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0244.3————————————————————————————————————
MagicoderS-DSBase Model=DeepSeek-Coder, Parameters=6.7B2024.0543.8————————————————————————————————————
NRT-WS (1/p)Backbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0243.4————————————————————————————————————
Verifree*Backbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0243.3————————————————————————————————————
DeepSeek-Coder-Base-v1.5†Size=7B, prompting=few-shot chain-of-thought, note=checkpoint before learning rate decay2024.0242.9————————————————————————————————————
CodeLlamaParameters=7B2024.0542.7————————————————————————————————————
AlchemistCoder-LBase Model=Llama 2, Parameters=7B2024.0542.7————————————————————————————————————
NRT-WS (-log p)Backbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0242.6————————————————————————————————————
MagicoderS-CLBase Model=CodeLlama, Parameters=7B2024.0541.5————————————————————————————————————
RLPR*Backbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0241.2————————————————————————————————————
Alpaca-GPT4 + NAIT (BBH)System ID=11, Capability Features=Individual, Data sampling ratio=10%2026.0340.46———————————————————————————36.47—————1.23——
RLPR*Backbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0240.4————————————————————————————————————
Alpaca-GPT4 + Q2QSystem ID=04, Fine-tuning protocol=Full Fine-tuning, Data sampling ratio=10%2026.0340.34———————————————————————————35.68—————-0.98——
Alpaca-GPT4 + SelectITSystem ID=05, Fine-tuning protocol=Full Fine-tuning, Data sampling ratio=10%2026.0340.33———————————————————————————37.16—————3.15——
Alpaca-GPT4 + NAIT (GSM)System ID=08, Capability Features=Individual, Data sampling ratio=10%2026.0340.28———————————————————————————37.7—————4.65——
JLB*Backbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0240.2————————————————————————————————————
JLB*Backbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0240.1————————————————————————————————————
Alpaca-GPT4 + NAIT (7-11)System ID=12, Capability Features=All, Data sampling ratio=10%2026.0340.02———————————————————————————37.2—————3.24——
Alpaca-GPT4 + NAIT (TydiQA)System ID=10, Capability Features=Individual, Data sampling ratio=10%2026.0340———————————————————————————36.71—————1.89——
Alpaca-GPT4System ID=01, Fine-tuning protocol=Full Fine-tuning, Data sampling ratio=10%2026.0339.94———————————————————————————36.03————————
LIMASystem ID=02, Fine-tuning protocol=Full Fine-tuning, Data sampling ratio=10%2026.0339.91———————————————————————————36.17—————0.39——
Alpaca-GPT4 + AlpaGasusSystem ID=03, Fine-tuning protocol=Full Fine-tuning, Data sampling ratio=10%2026.0339.91———————————————————————————35.18—————-2.34——
Alpaca-GPT4 + NAIT (CodeX)System ID=09, Capability Features=Individual, Data sampling ratio=10%2026.0339.72———————————————————————————37.06—————2.88——
AlchemistCoder-CLBase Model=CodeLlama, Parameters=7B2024.0539.3————————————————————————————————————
Alpaca-GPT4 + Random BaselineSystem ID=06, Fine-tuning protocol=Full Fine-tuning, Data sampling ratio=10%2026.0339.21———————————————————————————35.69—————-0.94——
NRT-WS (-log p)Backbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0239.1————————————————————————————————————
Alpaca-GPT4 + NAIT (MMLU)System ID=07, Capability Features=Individual, Data sampling ratio=10%2026.0338.52———————————————————————————37.18—————3.2——
SFTBackbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0238————————————————————————————————————
SFTBackbone=Mistral-7B-v0.3, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0236.7————————————————————————————————————
Verifree*Backbone=Llama-3.1-8B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0235.7————————————————————————————————————
NRT-WS (1/p)Backbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0235————————————————————————————————————
Llama 2Parameters=7B2024.0534.6————————————————————————————————————
AdaGCSteps (tokens)=60k (1T), AdamW eps=1e-152025.0231.38————————————————————————————————————
GlobalGCSteps (tokens)=60k (1T), AdamW eps=1e-82025.0230.84————————————————————————————————————
GlobalGCSteps (tokens)=60k (1T), AdamW eps=1e-152025.0230.59————————————————————————————————————
SFTBackbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0230.2————————————————————————————————————
NRT-GMBackbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0229.4————————————————————————————————————
GlobalGCSteps (tokens)=21k (350B), AdamW eps=1e-152025.0229.35————————————————————————————————————
GlobalGCSteps (tokens)=21k (350B), AdamW eps=1e-82025.0228.8————————————————————————————————————
RLPR*Backbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0228.4————————————————————————————————————
JLB*Backbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0228.2————————————————————————————————————
AdaGCSteps (tokens)=21k (350B), AdamW eps=1e-152025.0227.89————————————————————————————————————
Verifree*Backbone=Llama-3.2-3B-Base, Fine-tuning mixture=200k subset of tulu-3-sft-mixture2026.0226.9————————————————————————————————————
CodeLlama-PythonParameters=7B2024.0526.7————————————————————————————————————
DeepSeek-Coder-BaseParameters=6.7B2024.0512.8————————————————————————————————————
Cog-DRIFTBase Model=Qwen3-4B-Instruct-25072026.0410.11————————————————————————————————————
Cog-DRIFTBase Model=Llama3.2-3B-Instruct2026.048.64————————————————————————————————————
NuRL (Abstract)Base Model=Qwen3-4B-Instruct-25072026.047.73————————————————————————————————————
NuRL (Prefix)Base Model=Qwen3-4B-Instruct-25072026.046.51————————————————————————————————————
GRPOBase Model=Qwen3-4B-Instruct-25072026.046.37————————————————————————————————————
RFTBase Model=Qwen3-4B-Instruct-25072026.044.32————————————————————————————————————
RFTBase Model=Llama3.2-3B-Instruct2026.042.47————————————————————————————————————
NuRL (Abstract)Base Model=Llama3.2-3B-Instruct2026.041.38————————————————————————————————————
NuRL (Prefix)Base Model=Llama3.2-3B-Instruct2026.041.04————————————————————————————————————
Zero-shotBase Model=Qwen3-4B-Instruct-25072026.040————————————————————————————————————
Few-shotBase Model=Qwen3-4B-Instruct-25072026.040————————————————————————————————————
Zero-shotBase Model=Llama3.2-3B-Instruct2026.040————————————————————————————————————
Few-shotBase Model=Llama3.2-3B-Instruct2026.040————————————————————————————————————
GRPOBase Model=Llama3.2-3B-Instruct2026.040————————————————————————————————————
APETBackbone=Llama-3-8B-Instruct2025.03—67.50322.50024.53.53.5320.505238.527.58.336.565.56.50061819.580.5424120.73————————
Best Static BaselineTotal=6511, Sampled=6512026.04———————————————————————————————————63.4—
EvoPrompt(DE)Task-solving LLM=GPT-4o mini2025.03————————————————————————————79.17————————
EvoPrompt(DE)-OPTS(TS)Task-solving LLM=GPT-4o mini2025.03————————————————————————————79.43————————
EvoPrompt(GA)Backbone=Llama-3-8B-Instruct2025.03—72.8337.7113.6732.176.6742.529.8354.8312.336.8358.1748.6750.3379.6785.52550.175131.6745.8362.6363.6767.6753.338196.3346.8348.4————————
EvoPrompt(GA)-OPTS(APET)Backbone=Llama-3-8B-Instruct2025.03—84.3340.8814.5376.545.1737.3361.67207.836449.6749.8380.1782.6729.8647.563.174952.662.6359.3367.8351.581.6795.8343.6751.34————————