2026年10月28日，腾讯公开了 HyperLogic 基准测试的代码仓库和数据集。该测试分为三个难度等级，考查中文逻辑推理能力；答案并非人工编写，而是通过逻辑求解器运行形式化模型得出。
此次公开的内容包括 69 道 Seed 题、59 道 Base 题和 30 道 Hard 题，以及评分工具和用于测试智能体解决 Hard 题目的沙盒环境。其余 70% 的题目仍未公开。在团队对 7 个模型进行的测试中，直接作答时没有一个模型在 Hard 题上的得分超过 16%；使用代码沙盒后，得分有所提高，但使用逻辑库取得的最高成绩也只有 57%。
为什么重要
研究人员可以利用公开的题目和工具测试推理系统，但要评估完整基准测试，仍需使用未公开的 70% 题目；保留这部分题目也有助于减少测试题泄露。
