加载中...
加载中...
IMO-Bench 是 Google DeepMind 开发的一套基准测试套件，针对国际数学奥林匹克（IMO）水平的数学问题设计，用于评估大型语言模型在数学推理方面的能力。该基准包括三个子基准：AnswerBench、ProofBench 和 GradingBench，涵盖从短答案验证到完整证明生成和评分的全过程。发布于 2025 年 11 月，该基准通过专家审核的问题集，帮助模型实现 IMO 金牌级别的性能，并提供自动评分机制以支持大规模评估。
谷歌发布的用于评估大型语言模型生成完整、逻辑严谨的数学证明能力大模型评测基准
数据来源：DataLearnerAI
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | DeepSeekMath-V2high | 61.9 | 2025-11-27 | 6850 |
| 2 | GPT-5thinking | 20 | 2025-08-07 | 未知 |
| 3 | Grok 4thinking | 18.6 | 2025-07-10 | 未知 |
| 4 | Gemini 2.5-Prothinking | 17.6 | 2025-06-05 | 未知 |
| 5 | Qwen3-235B-A22B-Thinkingthinking | 5.2 | 2025-07-30 | 305 |
| 6 | Claude Sonnet 4thinking | 4.8 | 2025-05-23 | 未知 |
| 7 | Claude Sonnet 4.5thinking | 4.8 | 2025-09-30 | 未知 |
| 8 | DeepSeek-R1-0528thinking | 3.8 | 2025-05-28 | 6710 |