GSM8K
2021 发布 · 维护方 OpenAI
小学数学应用题（8,500 题），需要多步算术并写出思维链，现在主要用于确认基础推理是否还正常。
- 题目规模
- 8,500 道题
- 分数区间
- 0–100% 正确率
污染风险 高
当前前沿 99.6
SOTA：MiMo-V2.5-Pro Base · 2026-04
原榜分数原文：99.6 (8-shot)
数学推理类评测基准
MATH竞赛数学与多步推理数学推理是最早被「刷满」的一类基准：GSM8K（8,500 道小学应用题）与 MATH（12,500 道竞赛题）都在 2021 年发布，题库公开、答案唯一，前沿模型的成绩已经贴在 99% 附近，两个分数之间的差别基本等于噪声。现在真正还能分档的是当年新出的竞赛题——AIME 2025 的30 道题在发布时不在训练集里，也正因为只有 30 道，一道题的失误就是 3.3 分，单次成绩不能当结论。
本分类收录
3 个基准
活跃 0 · 数据日期 2026-10-19
本分类收录 3 个基准：活跃 0、已饱和 2、已停用 1；高污染风险 2 个，另有 2 个（67%）能追溯到明确的 SOTA 持有模型。 全站共 36 个基准、6 个分类， 回评测基准百科看全部，或从下方「其它分类」切到相邻的一类。
本分类基准
3
数学推理 · 数据更新 2026-10-19
仍在活跃
0
题目或榜单仍在更新，有区分度
已饱和
2
前沿模型接近上限，只作能力下限
高污染风险
2
题库公开多年，分数偏乐观
有明确 SOTA
2
占比 67%，其余只有大致说法
这一类该怎么看
数学推理- 看到 99% 上下的 MATH / GSM8K 分数，默认它已经饱和（两者都是高污染风险），只能用来确认「基础推理没坏」，不要用来比较模型强弱。
- AIME 这类「当年新题」才是有效信号：题目当年发布、答案均为整数、按最终答案精确匹配。看成绩时先问清是一次作答（pass@1）还是多次采样取最好，后者会明显抬高分数。
- 数学分高不等于工程能力强：这里每道题都有唯一答案、不需要读代码或操作环境，与代码工程、Agent 类基准测的是两种东西，不要互相替代。
先看这几条
3 个SOTA 持有者
2 个模型- GPT-5.2 high and xhigh, tied 1 个基准 AIME 2025
- MiMo-V2.5-Pro Base 1 个基准 GSM8K
数学推理基准清单
显示 3 / 3 个MATH
2021 发布 · 维护方 Hendrycks et al.
AMC / AIME / Putnam 级别的竞赛数学题，多步代数、几何与组合，按最终答案精确匹配判分。
- 题目规模
- 12,500 道题
- 分数区间
- 0–100% 正确率
污染风险 高
当前前沿 ~99.4%
SOTA：—
原榜分数原文：~99.4% on MATH-500; full Hendrycks set abandoned
选型提示：已饱和，当前数学信号看 AIME 2025 一类新题集。
AIME 2025
2025 发布 · 维护方 MAA
2025 年 AIME 竞赛的 30 道题，答案均为整数；题目当年发布、不在训练集里，是推理档模型的标准测试。
- 题目规模
- 30 道题
- 分数区间
- 0–30 分（答对题数）
污染风险 低
当前前沿 100.00%
SOTA：GPT-5.2 (high and xhigh, tied) · 2026-08
原榜分数原文：100.00%
已被新版本取代或不再维护
榜单
分数来源
数学推理基准常见问题
MATH 99% 和 GSM8K 99% 还有参考价值吗？
只剩「下限」价值：它们能说明模型具备多步算术与写出推理过程的基本能力，但无法区分前沿模型。本页把两者都标成已饱和 + 高污染风险；要比较模型，请改用当年新出的竞赛题集。
AIME 2025 为什么已经标成「已停用」？
AIME 每年换题，2025 年赛季结束后这批题就成了历史题集，后续模型会用 2026 年新题评测。标成已停用不等于数据无效——它是「发布当年不可污染」的证据，只是不再代表当前水平。
只有 30 道题，凭什么判断模型水平？
单次 30 题的成绩方差很大：错一题就是 3.3 分，两次运行差 6.7 分很常见。所以要么看多次运行的中位数，要么把多个年份的 AIME 题目合并看趋势；只看一次成绩就排名，等于把噪声当信号。
为什么同一个模型各家公布的 AIME 分数不一样？
常见三个原因：采样次数（单次 / 多次取最好）、是否允许使用工具或代码解释器、是否给了更长的思考预算。这三项都会显著抬高分数，且各家默认值不同，所以本页保留原榜的分数原文，方便对脚注。
数学好的模型写代码一定好吗？
不一定。数学题是「给定条件、唯一答案」，代码工程要读仓库、改多文件、跑测试，还会被脚手架与重试策略影响。选型时两类基准都要看，别用数学分替代代码分。
其它分类
5 个读榜前先看这几条
本分类范围3 个基准全站共 36 个基准 / 6 个分类，按分类归入本页
这一类看什么数学推理导语、判据要点与问答都按这一类的实际考法写，题量与分数保留原值
分数怎么看来源混合官方榜、独立评测机构与厂商自报混用，卡片里逐条标注；跨来源横向比较要谨慎
状态怎么读活跃 / 已饱和 / 已停用已饱和说明前沿模型接近上限，已停用说明这个版本不再维护
没有的数据显示「—」没有 SOTA 模型或没有榜单链接时如实留空，不用估计值填充
适合谁看挑基准前先看这一类同场景的基准放在一起比，才分得出哪个数字能当证据
数据来自公开渠道整理：各基准的论文、维护方榜单与第三方跑分结果，数据日期 2026-10-19。
