大模型在逻辑推理方面存在短板，尽管在专业知识测试中表现良好，但在日常场景的通用推理中准确率较低。美团LongCat团队发布的General 365基准测试揭示了当前模型的真实能力，强调推理能力与专业知识的解耦。测试结果显示，主流模型普遍未能达到及格线，反映出其在复杂逻辑任务中的不足。