List your company

Scientific Reasoning on SciBench

44.3AccuracyGPT-4o
26.318430.986735.65540.3233Apr 2, 2026Apr 10, 2026Apr 19, 2026Apr 28, 2026May 7, 2026May 16, 2026May 25, 2026

Evaluation results

MethodLinks
GPT-4on=695, Iterative Repair Setting=no iterative repair2026.0444.3—
AeroTherm-GPTn=695, Iterative Repair Setting=no iterative repair2026.0442.6—
GACmode=+ Token-φ2026.0541.2—
GACmode=w/o φ (plain SFT)2026.0540.4—
HPT2026.0538.7—
LUFFY2026.0538.4—
KL-ctrl2026.0538.2—
MCPO-DAPOBackbone=Qwen3-8B2026.0537.92—
CHORDmode=Token-φ, fixed sched.2026.0537.8—
GradNorm-ctrl2026.0537.6—
SRFT2026.0537.4—
Nash-MTL2026.0537.3—
CAGrad2026.0537—
MCPO-GRPOBackbone=Qwen3-8B2026.0536.83—
MGDA2026.0536.5—
DAPOBackbone=Qwen3-8B2026.0536.05—
MCPO-DAPOBackbone=Qwen3-4B2026.0535.81—
Llama-3-70Bn=695, Iterative Repair Setting=no iterative repair2026.0435.8—
MT-GRPOBackbone=Qwen3-8B2026.0535.71—
MGSBackbone=Qwen3-8B2026.0535.24—
SFT-best + RL2026.0535.1—
MCPO-GRPOBackbone=Qwen3-4B2026.0534.92—
GRPOBackbone=Qwen3-8B2026.0534.91—
DAPOBackbone=Qwen3-4B2026.0534.86—
MT-GRPOBackbone=Qwen3-4B2026.0534.52—
CLIPOBackbone=Qwen3-8B2026.0534.32—
MGSBackbone=Qwen3-4B2026.0534.18—
CLIPOBackbone=Qwen3-4B2026.0533.2—
GRPOBackbone=Qwen3-4B2026.0533.04—
SFT-best2026.0532.4—
Qwen2.5-7B-Inst.2026.0528.7—
Base ModelBackbone=Qwen3-8B2026.0528.46—
Base ModelBackbone=Qwen3-4B2026.0527.01—
ChatGLM2-6BParameter Scale=6B~7B2024.01—1.54
ChatGLM2-6B-BaseParameter Scale=6B~7B2024.01—1.2
ChatGLM3-32B-BaseParameter Scale=30B~32B2024.01—4.29
ChatGLM3-6BParameter Scale=6B~7B2024.01—2.4
ChatGLM3-6B-BaseParameter Scale=6B~7B2024.01—2.4
GPT-3.5-turboParameter Scale=API2024.01—12.17
GPT-4Parameter Scale=API2024.01—28.52
LLaMA-2-13BParameter Scale=12B~13B2024.01—1.37
LLaMA-2-7BParameter Scale=6B~7B2024.01—0.4
Llama3-8B-InstructEvaluation Protocol=zero-shot, Parameter Scale=6B~7B2024.01—1.03
Llama3-8B-InstructEvaluation Protocol=few-shot, Parameter Scale=6B~7B2024.01—3.6
Llama3-8B-Instruct + SciInstructFine-tuning=SciInstruct, Parameter Scale=6B~7B2024.01—3.6
Mistral-7B: MetaMATHEvaluation Protocol=zero-shot, Parameter Scale=6B~7B2024.01—4.63
Mistral-7B: MetaMATHEvaluation Protocol=few-shot, Parameter Scale=6B~7B2024.01—6.17
Mistral-7B: MetaMATH + SciInstructFine-tuning=SciInstruct, Parameter Scale=6B~7B2024.01—6.23
SciGLMBackbone=ChatGLM3-6B-Base, Parameter Scale=6B~7B2024.01—3.77
SciGLMBackbone=ChatGLM3-32B-Base, Parameter Scale=30B~32B2024.01—5.15