LMArena Math Arena 数学推理能力排行榜
基于 LMArena Math Arena 用户匿名投票的最新AI大模型数学推理能力排行榜，涵盖各模型的 Elo 得分、95% 置信区间、投票量、机构与许可证。
榜首模型
kimi-k3-max
最高得分
1501.00
模型数量
384
数据版本
2026年09月13日
数据来源: LM Arena
关于本排行榜
本排行榜展示了当前 AI 大模型在数学推理任务中的实力排名。数据来源于 LMArena 的 Math 子赛道，通过真实用户匿名盲测投票评估各模型在数学解题任务中的表现。
评测方法概要
匿名盲测：用户提出数学题目后，由两个"隐藏身份"的模型分别作答，用户投票选出解题更优的一方，排除品牌偏见。
Elo 评分：采用 Bradley-Terry 模型计算 Elo 分数，分数越高说明该模型在数学场景中被用户更频繁地选择。
覆盖多种数学场景：包括代数、几何、计算推理、竞赛数学等多元化的真实数学任务。
DataLearner 在原始数据基础上提供中文解读与深度分析，并将排行榜模型关联至 DataLearner 模型库，方便您一键查看模型详情、API 定价、评测得分等完整信息。
排名总表
| 排名 | 模型名称 | 得分 | 95% CI | 投票数 | 机构 | 许可证 |
|---|---|---|---|---|---|---|
| 12 |  kimi-k3-maxMoonshot | 1501.00 | +/-20 | 884 | Moonshot | Kimi K3 license |
| 15 |  qwen3.8-maxAlibaba | 1498.00 | +/-21 | 769 | Alibaba | Proprietary |
| 27 | Kimi K2.6Moonshot AI | 1478.00 | +/-14 | 1,931 | Moonshot AI | Modified MIT |
| 42 | Kimi K2 ThinkingMoonshot AI | 1470.00 | +/-10 | 3,916 | Moonshot AI | Modified MIT |
| 45 |  deepseek-v4-pro-high-previewDeepSeek | 1469.00 | +/-12 | 2,498 | DeepSeek | MIT |
| 49 | qwen3.8-27bAlibaba | 1466.00 | +/-27 | 468 | Alibaba | Apache 2.0 |
| 51 | deepseek-v4-pro-high-20260813DeepSeek | 1463.00 | +/-31 | 340 | DeepSeek | MIT |
| 70 | DeepSeek-V4-ProDeepSeek-AI | 1445.00 | +/-12 | 2,868 | DeepSeek-AI | MIT |
| 79 | deepseek-v4-flash-high-previewDeepSeek | 1440.00 | +/-12 | 2,451 | DeepSeek | MIT |
| 82 | Kimi K2.5 InstantMoonshot AI | 1440.00 | +/-25 | 507 | Moonshot AI | Modified MIT |
| 85 | Kimi K2 Thinking (thinking-turbo)Moonshot AI | 1437.00 | +/-10 | 3,710 | Moonshot AI | Modified MIT |
| 89 |  MiniMax M3MiniMaxAI | 1434.00 | +/-13 | 2,301 | MiniMaxAI | MiniMax Community License |
| 94 | DeepSeek V3.2DeepSeek-AI | 1429.00 | +/-11 | 2,957 | DeepSeek-AI | MIT |
| 101 |  hunyuan-hy3-previewTencent | 1426.00 | +/-28 | 405 | Tencent | tencent-hunyuan-community |
| 102 | qwen3-max-2025-09-23Alibaba | 1425.00 | +/-24 | 565 | Alibaba | Proprietary |
| 104 | DeepSeek-V4-FlashDeepSeek-AI | 1425.00 | +/-12 | 2,514 | DeepSeek-AI | MIT |
| 105 | DeepSeek V3.2-Exp (thinking)DeepSeek-AI | 1424.00 | +/-27 | 470 | DeepSeek-AI | MIT |
| 107 | DeepSeek V3.2-Exp (thinking)DeepSeek-AI | 1424.00 | +/-12 | 2,463 | DeepSeek-AI | MIT |
| 111 | MiniMax-M2.7MiniMaxAI | 1422.00 | +/-11 | 3,454 | MiniMaxAI | Modified MIT |
| 119 | DeepSeek-V3.1 (thinking)DeepSeek-AI | 1416.00 | +/-22 | 658 | DeepSeek-AI | MIT |
| 120 | Kimi K2 0905Moonshot AI | 1415.00 | +/-21 | 753 | Moonshot AI | Modified MIT |
| 122 | DeepSeek V3.2-ExpDeepSeek-AI | 1414.00 | +/-21 | 771 | DeepSeek-AI | MIT |
| 123 | DeepSeek-V3.1DeepSeek-AI | 1413.00 | +/-18 | 982 | DeepSeek-AI | MIT |
| 125 | DeepSeek-R1DeepSeek-AI | 1412.00 | +/-14 | 1,606 | DeepSeek-AI | MIT |
| 135 |  Step 3.5 FlashStepFunAI | 1406.00 | +/-11 | 3,224 | StepFunAI | Apache 2.0 |
| 142 | Step 3.5 FlashStepFunAI | 1402.00 | +/-11 | 3,191 | StepFunAI | Proprietary |
| 149 | qwen3-235b-a22b-thinking-2507Alibaba | 1398.00 | +/-25 | 479 | Alibaba | Apache 2.0 |
| 151 | DeepSeek-V3.1 TerminusDeepSeek-AI | 1397.00 | +/-39 | 216 | DeepSeek-AI | MIT |
| 153 | MiniMax M2.5MiniMaxAI | 1396.00 | +/-12 | 2,420 | MiniMaxAI | Modified MIT |
| 155 | DeepSeek-R1-0528DeepSeek-AI | 1393.00 | +/-20 | 854 | DeepSeek-AI | MIT |
| 158 | qwen3-235b-a22b-no-thinkingAlibaba | 1392.00 | +/-12 | 2,363 | Alibaba | Apache 2.0 |
| 161 | M2.1MiniMaxAI | 1390.00 | +/-19 | 963 | MiniMaxAI | MIT |
| 164 | Kimi K2Moonshot AI | 1388.00 | +/-14 | 1,679 | Moonshot AI | Modified MIT |
| 181 | minimax-m1MiniMax | 1370.00 | +/-14 | 1,761 | MiniMax | Apache 2.0 |
| 182 | DeepSeek-V3-0324DeepSeek-AI | 1368.00 | +/-10 | 3,150 | DeepSeek-AI | MIT |
| 193 | Step3StepFunAI | 1361.00 | +/-31 | 348 | StepFunAI | Apache 2.0 |
| 195 | MiniMax M2MiniMaxAI | 1355.00 | +/-33 | 318 | MiniMaxAI | Apache 2.0 |
| 202 | hunyuan-turbos-20250416Tencent | 1346.00 | +/-20 | 845 | Tencent | Proprietary |
| 211 | qwen-plus-0125Alibaba | 1323.00 | +/-19 | 732 | Alibaba | Proprietary |
| 218 | step-2-16k-exp-202412StepFun | 1312.00 | +/-20 | 642 | StepFun | Proprietary |
| 222 | DeepSeek-V3DeepSeek-AI | 1310.00 | +/-11 | 2,721 | DeepSeek-AI | DeepSeek |
| 229 | qwen2.5-plus-1127Alibaba | 1304.00 | +/-14 | 1,404 | Alibaba | Proprietary |
| 232 | hunyuan-turbos-20250226Tencent | 1301.00 | +/-31 | 238 | Tencent | Proprietary |
| 235 | glm-4-plus-0111Zhipu | 1298.00 | +/-19 | 721 | Zhipu | Proprietary |
| 236 | step-1o-turbo-202506StepFun | 1297.00 | +/-24 | 559 | StepFun | Proprietary |
| 242 | hunyuan-large-2025-02-10Tencent | 1293.00 | +/-24 | 497 | Tencent | Proprietary |
| 243 | deepseek-v2.5-1210DeepSeek | 1292.00 | +/-17 | 1,031 | DeepSeek | DeepSeek |
| 244 | qwen-max-0919Alibaba | 1291.00 | +/-12 | 2,249 | Alibaba | Qwen |
| 245 | hunyuan-standard-2025-02-10Tencent | 1290.00 | +/-24 | 499 | Tencent | Proprietary |
| 248 | DeepSeek V2.5DeepSeek-AI | 1287.00 | +/-10 | 3,649 | DeepSeek-AI | DeepSeek |
| 249 | glm-4-plusZhipu AI | 1287.00 | +/-10 | 3,599 | Zhipu AI | Proprietary |
| 255 | hunyuan-large-visionTencent | 1281.00 | +/-30 | 344 | Tencent | Proprietary |
| 256 | hunyuan-turbo-0110Tencent | 1279.00 | +/-31 | 243 | Tencent | Proprietary |
| 264 | deepseek-coder-v2DeepSeek | 1272.00 | +/-14 | 1,858 | DeepSeek | DeepSeek License |
| 279 | hunyuan-standard-256kTencent | 1249.00 | +/-29 | 361 | Tencent | Proprietary |
| 312 | qwen1.5-32b-chatAlibaba | 1201.00 | +/-12 | 2,649 | Alibaba | Qianwen LICENSE |
| 336 | DeepSeek LLM 67B ChatDeepSeek-AI | 1156.00 | +/-24 | 576 | DeepSeek-AI | DeepSeek License |
数据仅供参考，以官方来源为准。模型名称旁的链接可跳转到 DataLearner 模型详情页。
常见问题 (FAQ)
什么是 LMArena Math Arena？
LMArena Math Arena 是 LMArena 旗下专注于数学推理能力的匿名评测平台。用户提交真实数学问题（如代数、几何、竞赛数学等），系统将不同模型的解题过程并排展示（隐藏模型名称），由用户投票选出更好的解答，最终通过 Elo 算法汇总形成动态排行榜。
Math Arena 与 MATH-500、AIME 等静态基准有什么区别？
MATH-500、AIME、AMC 等静态基准使用固定题目集和自动评分，可重现性强但容易被针对性优化（"刷榜"）。Math Arena 来自真实用户的开放式数学问题，测试内容不固定，更能反映模型在实际数学场景中的自然表现，两者互为补充。
思考模型（Thinking Model）在数学 Arena 中表现更好吗？
整体而言，具备思维链（Chain-of-Thought）或扩展推理能力的模型在数学 Arena 中往往排名更高。Claude Opus 系列 Thinking 模式、GPT 高算力模式以及 DeepSeek 思考版本均在榜单前列，说明延长推理时间对数学问题的解答质量有显著提升。
国产大模型在数学能力方面表现如何？
DeepSeek、Qwen3 系列、GLM 等国产模型在 Math Arena 表现亮眼，已跻身全球前列。DeepSeek 以 MIT 协议开源，Qwen3-235B 等系列支持中文数学场景，是选择开源数学推理模型的重要参考。