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。
用于测试大模型在高难度（国际奥林匹克数学竞赛）数学问题上的回答能力
Source: DataLearnerAI
Data sourced primarily from official releases (GitHub, Hugging Face, papers), then benchmark leaderboards, then third-party evaluators. Learn about our data methodology
| 排名 | 模型 | |||
|---|---|---|---|---|
| 1 | Step 3.5 Flashthinking + 使用工具 | 86.7 | 2026-02-02 | 1960 |
| 2 | Step 3.5 Flashthinking | 85.4 | 2026-02-02 | 1960 |
| 3 | Qwen3-Max-Thinkingthinking | 83.9 | 2026-01-26 | 10000 |
| 4 | GLM-5thinking | 82.5 | 2026-02-11 | 7440 |
| 5 | Kimi K2.5思考模式（无工具） | 81.8 | 2026-01-27 | 10000 |
| 6 | Qwen3.5-397B-A17Bthinking | 80.9 | 2026-02-16 | 397 |
| 7 | Qwen3.5-397B-A17B思考模式（无工具） | 80.9 | 2026-02-16 | 397 |