基准
BeyondAIME
面向高水平数学竞赛题目的AI评估基准，测试模型在AIME级别数学问题上的多步推理与逻辑严谨性能力
时间轴 (近 90 天)
9月12日
SAO团队选取了SWE-Bench Verified、BeyondAIME和IMOAnswerBench三个高难度基准进行验证
待验证50%
9月12日
BeyondAIME和IMOAnswerBench分别面向AIME、IMO层级的高水平数学竞赛题目
待验证50%
面向高水平数学竞赛题目的AI评估基准，测试模型在AIME级别数学问题上的多步推理与逻辑严谨性能力
SAO团队选取了SWE-Bench Verified、BeyondAIME和IMOAnswerBench三个高难度基准进行验证
BeyondAIME和IMOAnswerBench分别面向AIME、IMO层级的高水平数学竞赛题目