在评估大型语言模型（LLM）的数学推理能力时，MATH和MATH-500是两个备受关注的基准测试。尽管它们都旨在衡量模型的数学解题能力，但在发布者、发布目的、评测目标和对比结果等方面存在显著差异。
| 模型简称 | 得分 | 发布机构 | 发布时间 | 参数规模（亿） |
|---|---|---|---|---|
| Gemini-2.5-Pro-Preview-06-05 | 98.8 |
|
2025-06-05 | 未知 |
| Gemini-2.5-Pro-Preview-05-06 | 98.8 |
|
2025-05-06 | 未知 |
| Claude Opus 4 | 98.2 |
|
2025-05-23 | 未知 |
| OpenAI o3 | 98.1 |
|
2025-04-16 | 未知 |
| DeepSeek-R1-0528 | 98.0 |
|
2025-05-28 | 6850.0 |
| OpenAI o3-mini (high) | 97.9 |
|
2025-01-31 | 未知 |
| DeepSeek-R1 | 97.3 |
|
2025-01-20 | 6710.0 |
| MiniMax-M1-80k | 96.8 |
|
2025-06-16 | 4560.0 |
| OpenAI o1 | 96.4 |
|
2024-12-05 | 未知 |
| Hunyuan-T1 | 96.2 |
|
2025-03-21 | 0.0 |
| Qwen3-235B-A22B | 96.2 |
|
2025-04-28 | 2350.0 |
| Kimi k1.5 (Long-CoT) | 96.2 |
|
2025-01-22 | 未知 |
| Claude Sonnet 3.7-64K Extended Thinking | 96.2 |
|
2025-02-25 | 未知 |
| MiniMax-M1-40k | 96.0 |
|
2025-06-16 | 4560.0 |
| Llama 4 Behemoth Instruct | 95.0 |
|
2025-04-05 | 20000.0 |
| Kimi k1.5 (Short-CoT) | 94.6 |
|
2025-01-22 | 未知 |
| DeepSeek-R1-Distill-Llama-70B | 94.5 |
|
2025-01-20 | 700.0 |
| DeepSeek-V3-0324 | 94.0 |
|
2025-03-24 | 6810.0 |
| DeepSeek-R1-Distill-Qwen-7B | 91.4 |
|
2025-01-20 | 70.0 |
| QwQ-32B | 91.0 |
|
2025-03-06 | 325.0 |
| GPT-4.5 | 90.7 |
|
2025-02-28 | 未知 |
| QwQ-32B-Preview | 90.6 |
|
2024-11-28 | 320.0 |
| Phi-4-instruct (reasoning-trained) | 90.4 |
|
2025-02-27 | 38.0 |
| OpenAI o1-mini | 90.0 |
|
2024-09-12 | 未知 |
| DeepSeek-V3 | 87.8 |
|
2024-12-26 | 6810.0 |
| Claude Sonnet 3.7 | 82.2 |
|
2025-02-25 | 未知 |
| Claude 3.5 Sonnet New | 78.0 |
|
2024-10-22 | 0.0 |
| GPT-4o | 75.9 |
|
2024-05-13 | 未知 |
| Phi-4-mini-instruct (3.8B) | 71.8 |
|
2025-02-27 | 38.0 |
得分:
98.8
发布时间:
2025-06-05
参数规模(亿):
未知
得分:
98.8
发布时间:
2025-05-06
参数规模(亿):
未知
得分:
98.2
发布时间:
2025-05-23
参数规模(亿):
未知
得分:
98.1
发布时间:
2025-04-16
参数规模(亿):
未知
得分:
98.0
发布时间:
2025-05-28
参数规模(亿):
6850.0
得分:
97.9
发布时间:
2025-01-31
参数规模(亿):
未知
得分:
97.3
发布时间:
2025-01-20
参数规模(亿):
6710.0
得分:
96.8
发布时间:
2025-06-16
参数规模(亿):
4560.0
得分:
96.4
发布时间:
2024-12-05
参数规模(亿):
未知
得分:
96.2
发布时间:
2025-03-21
参数规模(亿):
0.0
得分:
96.2
发布时间:
2025-04-28
参数规模(亿):
2350.0
得分:
96.2
发布时间:
2025-01-22
参数规模(亿):
未知
得分:
96.2
发布时间:
2025-02-25
参数规模(亿):
未知
得分:
96.0
发布时间:
2025-06-16
参数规模(亿):
4560.0
得分:
95.0
发布时间:
2025-04-05
参数规模(亿):
20000.0
得分:
94.6
发布时间:
2025-01-22
参数规模(亿):
未知
得分:
94.5
发布时间:
2025-01-20
参数规模(亿):
700.0
得分:
94.0
发布时间:
2025-03-24
参数规模(亿):
6810.0
得分:
91.4
发布时间:
2025-01-20
参数规模(亿):
70.0
得分:
91.0
发布时间:
2025-03-06
参数规模(亿):
325.0
得分:
90.7
发布时间:
2025-02-28
参数规模(亿):
未知
得分:
90.6
发布时间:
2024-11-28
参数规模(亿):
320.0
得分:
90.4
发布时间:
2025-02-27
参数规模(亿):
38.0
得分:
90.0
发布时间:
2024-09-12
参数规模(亿):
未知
得分:
87.8
发布时间:
2024-12-26
参数规模(亿):
6810.0
得分:
82.2
发布时间:
2025-02-25
参数规模(亿):
未知
得分:
78.0
发布时间:
2024-10-22
参数规模(亿):
0.0
得分:
75.9
发布时间:
2024-05-13
参数规模(亿):
未知
得分:
71.8
发布时间:
2025-02-27
参数规模(亿):
38.0