MATH-500

MATH 精选 500 题，推理模型标准对比集

基本信息

类别

推理与数学

官网 / 数据集

https://huggingface.co/datasets/HuggingFaceH4/MATH-500

论文

https://arxiv.org/abs/2103.03874

30 秒看懂

高中竞赛数学 500 题。95+ 分只说明“教科书级数学题基本全对”，不说明能做原创数学。

采用格局：国产推理模型标配（6/11 家）

评分协议

0-shot CoT，boxed 答案抽取

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 8 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20

2025

2025-12-18

Xiaomi / 小米·国内

MiMo-V2-Flash

参数309B-A15B上下文128K模态文本

MiMo-V2-Flash 是小米自研开源的稀疏混合专家（MoE）超快大模型，总参数 309B，激活仅 15B，主打极速首词响应与高并发吞吐，面向端云协同与代理推理场景。

MoE 稀疏激活超低延迟端云协同高并发吞吐

查看模型变体与证据

MATH-500 79.4

2025-07-11

Moonshot AI / Kimi·国内

Kimi-K2-Instruct / Kimi-K2-Base

本发布含 2 个变体，各变体规格见模型详情。

Kimi K2 以「Open Agentic Intelligence」为定位发布，Kimi-K2-Instruct 为后训练的非思考（reflex-grade）MoE 模型（1T 总参/32B 激活）。已收录 32 项评测覆盖代码、数学、知识与 Agent 工具使用：亮点 SWE-bench Verified（Agentic Coding）65.8、MMLU 89.5。

开源权重1T MoE非思考 reflex 档Agentic

查看模型变体与证据

Kimi-K2-Instruct · MATH-500 97.4

2025-06-16

MiniMax·国内

MiniMax abab 6.5

参数千亿 MoE上下文245K tokens模态文本

MiniMax 稀疏混合专家大语言模型，支持 245K 超长上下文窗口与万级汉字复杂指令遵循。

千亿稀疏MoE245K超长上下文复杂指令遵循自研线性注意力

查看模型变体与证据

MATH-500 图表尚无可读数值

2025-04-30

Xiaomi / 小米·国内

MiMo-7B-RL

参数7B上下文32K模态文本

MiMo-7B-RL 是小米开源的 7B 强化学习对齐大模型，在 MMLU 达到 70.3 分，MATH-500 71.2 分，GSM8K 87.8 分，显著强化长思维链与代码数学逻辑能力。

开源权重强化学习对齐高性价比推理数学与代码增强

查看模型变体与证据

MATH-500 71.2

2025-04-05

Meta / Llama·国际

Llama 4 Maverick / Llama 4 Scout / Llama 4 Behemoth

本发布含 3 个变体，各变体规格见模型详情。

发布文称 Maverick 为 Llama 4 herd 中的主力多模态模型（17B 激活、128 专家、400B 总参，MoE 架构）。评测覆盖多模态理解、知识、代码与克丘亚语翻译，亮点为 DocVQA 94.4 与 ChartQA 90.0（LMArena Elo 1417 归属于实验性聊天版本）。

开源权重MoE多模态

查看模型变体与证据

Llama 4 Behemoth · MATH-500 95.0