MathArena Apex
MathArena 最难竞赛数学集：模型几乎全错的难题
基本信息
30 秒看懂
MathArena 从 2025 年近百场竞赛中筛出的 12 道最难题（4 次尝试内无前沿模型解出才入选），平均成功率越高越好；最强模型也只有 5.2%，第 9–12 题甚至无人解出——竞赛数学饱和后仅存的极限分档。
采用格局：DeepSeek/Qwen/Google 引用；12 道 2025 前沿难题，Pass@1 计分
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 6 场模型发布（收录 7 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-09-10
DeepSeek·国内
参数552B (8B prefill / 16B decode active)上下文1M价格$0.15/$0.3 每百万 tokens · 高峰时段 $0.15/$0.30 每百万 tokens，闲时（00:30-08:30 UTC）减半至 $0.075/$0.15，缓存命中 $0.003-$0.006模态文本·图像·代码
DeepSeek 新一代非对称 Causal-Encoder-Decoder (CED) 架构的首款多模态 MoE 模型，总参 552B 仅激活 8B 输入与 16B 输出，KV Cache 显存缩减至 1/4；在 Terminal-Bench 2.1 达到 90.6%、GPQA Diamond 90.9%、DeepSWE v1.1 74.2% 与 CyberGym 88.1%，全面替代并下线 V4-Pro。
因果编解码器CED架构超高KV Cache压缩原生多模态视觉峰谷定价策略
查看模型变体与证据
MathArena Apex 65.6%
2026-08-28
Tencent / 腾讯混元·国内
参数770B-A49B MoE上下文1M模态文本
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
开源权重长上下文智能体
查看模型变体与证据
2025 74.2
2026-07-06
Tencent / 腾讯混元·国内
参数295B-A21B MoE上下文256K价格¥1/¥4 每百万 tokens · 页面原文为 1/4/0.25 元/百万 tokens 三档报价，第三档含义未标注模态文本
腾讯发布混元 Hy3：295B 总参/21B 激活 MoE、256K 上下文、三种思考模式，Apache 2.0 开源。评测覆盖编码、智能体搜索与推理，亮点如 SWE-bench Verified 78%、BrowseComp 84.2%。
开源权重长上下文三档思考智能体
查看模型变体与证据
MathArena Apex 38.7
2026-05
Alibaba / Qwen·国内
上下文1M模态文本
发布文以“智能体新前沿”为题，将 Qwen3.7-Max 定位为面向智能体时代的新一代旗舰（经阿里云百炼 API 提供，在 Claude Code/OpenClaw/Qwen Code 间泛化）。40 余项评测覆盖智能体编码、工具与办公场景及数理推理，亮点为 HMMT 2026 二月场 97.1 与 SWE-bench Verified 80.4。
旗舰智能体跨框架泛化
查看模型变体与证据
MathArena Apex 44.5
2026-04-24
DeepSeek·国内
本发布含 2 个变体，各变体规格见模型详情。
DeepSeek 发布 V4 预览版「迈入百万上下文普惠时代」，V4-Pro 为旗舰：1M 上下文、思考/非思考双模式、reasoning_effort high/max。评测覆盖推理、编码、智能体与百万级长上下文，亮点如 GPQA Diamond 90.1%、Codeforces 3206。
开源权重长上下文推理增强预览版
查看模型变体与证据
DeepSeek-V4-Pro · Pro, max effort 38.3DeepSeek-V4-Flash · Flash, max effort 33.0
2025
2025-11-18
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Gemini 3 发布以「智能新纪元」为题呈现，Gemini 3 Pro 为旗舰型号（发布时 preview）。已收录评测横跨推理、代码、多模态与 Agent：亮点 LMArena 1501 Elo、AIME 2025（带代码执行）100%。
旗舰多模态1M 长上下文Agent
查看模型变体与证据
Gemini 3 Pro · MathArena Apex 23.4%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。