AIME 2026 2026

为什么重要

AIME 2026 延续了美国数学邀请赛作为 LLM 数学推理能力核心指标的地位。30 道奥赛级真题（AIME I + AIME II）每年更新，天然防污染，是区分推理模型层次的黄金标准。2026 版首次出现多个模型突破 90%，但仍未饱和。

关键发现

• 中国模型强势：前 4 名全部来自中国公司（智谱 GLM-5.1、通义千问 Qwen3.6 Plus、字节 Seed 2.0 Pro、Qwen3.5），展示了国产模型在数学推理上的突破。
• 小模型效率惊人：Google Gemma 4 31B（仅 31B 参数）达到 89.2%，逼近 700B+ 级别模型，参数效率极为突出。
• 整体水平飞跃：相比 AIME 2024/2025 时代（o3 96.7% 独占鳌头），2026 年多个模型进入 90%+ 区间，推理能力普遍提升。
• 小模型断崖下跌：8B 以下模型（Gemma 4 E4B/E2B）得分骤降至 37-42%，与大模型存在巨大鸿沟。

2026-10-10 更新：Reflection Beam 的 97.8%，以及它为什么只能算半个条目

Reflection AI 在 2026-10-05 发布了它的第一个开放权重模型 Beam：501B 总参数 / 23B 激活的稀疏 MoE，宣称在 6,144 张 NVIDIA GB300 上用不到四周完成预训练（23.8T token），RL 阶段在 10.5K 张 GB300 上跑出”超过 1 亿条 rollout”。发布表给出的 AIME 2026 是 97.8%，落后同为开放权重的 GLM-5.2（99.2%）1.4pp。

这条必须带上四条限定，否则会被误读成”又一款开源模型逼近满分”：

1. 权重还没放出。 官方说法是”本月晚些时候”以 Apache 2.0 放出，且模型仍在最后的安全评估阶段，当前只有 waitlist 访问。没有任何第三方复现，也没有模型卡或技术报告。
2. 它自己承认不是最强的开源模型。 发布表里 Kimi K3、Qwen 3.8 Max 在若干项上领先 Beam；公司的定位是”每活跃参数的性能强”，不是”最佳开源模型”。
3. 厂商自选基准与档位。 表里 Benchmark 列是 Reflection 自己挑的（SWE-bench Verified 80.9 / Terminal-Bench v2.1 80.1 / SWE-bench Pro v1 65.5 / GPQA Diamond 90.5 / HLE no-tools 36.2 / AutomationBench public 37.0 / IFBench 79.7 / AIME 2026 97.8），Benchmark 一列的对照值大量标 NR（未报告）。这类发布表是”这批模型在同一时点的横切面”，不是排行榜。
4. AIME 2026 本身已带污染标记。 本榜前八里只有 GPT-5.2 (high) 早于 2026 年考期发布；Beam 发布于 2026-10，天然晚于考期。

综合起来：97.8% 是一个”待验证的厂商自报值”，进榜理由是它确实是一个此前缺失的新模型条目，不代表它已被确认强于被它挤出的 Sakana Namazu（96.7%）。

顺带一提 Beam 的能力形状：它在 GPQA Diamond 90.5% / HLE（无工具）36.2% 这一对上，与 GLM-5.2（91.2% / 40.5%）差距都在 1–4pp，但 Terminal-Bench v2.1 只有 80.1%（GLM-5.2 81.0、Kimi K3 88.3、Qwen 3.8 Max 86.6）——推理档接近，长程终端 Agent 档明显落后。这与本库在多个基准上观察到的”竞赛数学/科学知识”与”长程 Agent 执行”是两条独立曲线一致。

最新进展

• 2026-09-19 补录：三处榜单更新进了前八。① Claude Opus 4.8 (max) 以 100.00% 与 GPT-5.5 并列第一——MathArena 与 DataLearner 两个源一致，但两条都带”赛后发布”污染标记（Opus 4.8 发布于 2026-05-28，晚于 AIME 2026 考期）。这使本榜的”满分俱乐部”从 3 个模型（GPT-5.2 / Sonnet 4.5 / Opus 4.6）扩容，且全部带污染星号。② GLM-5.2 的 99.2% 正式进榜（原记录只在正文 2026-07-14 条目里），它是本榜目前唯一突破 99% 的开源权重模型，距满分 0.8pp。③ TH Inkling（Thinking Machines，9750 亿参数开源）以 97.1% 进榜，与韩国 SK 电讯 A.X K2（688B）持平，两者都是”开源/非中美”侧的最高分。Sakana Namazu 96.7% 补齐第八位。 读榜提示：前八里只有 GPT-5.2 (high) 的 98.33% 是干净的（早于考期发布）。其余七个全部晚于 AIME 2026 公开，题目与完整解答可能已在训练数据中。本榜的”排名”在当前阶段主要反映发布时间顺序，而非数学能力序。
• 2026-05：MathArena 排行榜更新，Step-3.5-Flash 以 96.67% 进入 Top 5，首次有阶跃星辰模型进入 AIME 第一梯队
• 2026-05：inclusionAI Ring-2.6-1T 以 95.83% 进入排行榜，新厂商持续涌现
• 2026-05：MathArena 排行榜 GPT-5.2、Claude Sonnet 4.5、Claude Opus 4.6 首次达到 100.0%（多采样 majority vote），AIME 2026 正式进入饱和阶段
• 2026-05：DataLearner 更新排行榜至 14+ 模型，Kimi K2.6 (96.4%) 稳居开源权重第一
• 2026-05：Qwen3.6 Plus 达到 95.3%，与 GLM-5.1 并列
• 2026-05：BenchLM AIME 2026 排行榜更新，GLM-5 和 Kimi K2.5 均达 95.8%
• 2026-05：Claude Opus 4.5 达到 95.1%，首次有闭源模型进入 95%+ 俱乐部
• 2026-05：GPT-5.5 Pro 在 AIME 2025 上达 100%，AIME 系列基准整体趋近饱和
• 关键趋势：多个模型在 AIME 2026 上达到 95%+，推理能力的竞赛正在转向更难的基准（HLE、FrontierMath）；闭源模型 100% 满分与开源模型 96% 的差距正在缩小；AIME 作为年度更新的基准，2027 版将在 2027 年初成为新的区分度来源
• 2026-06-02：微软 MAI-Thinking-1 发布，AIME 2026 达 94.5%，AIME 2025 达 97.0%。作为首个零蒸馏从零训练的 35B MoE 模型，数学能力是最大亮点。盲测 vs Sonnet 4.6 胜 49% 负 45%，vs Opus 4.6 胜 43% 负 52%，总体接近 Sonnet 级别
• 2026-06：DataLearner 排行榜更新，Kimi K2.6 (96.40%) 稳居开源权重第一，GLM-5.1 (95.30%) 和 Qwen3.6 Plus Preview (95.30%) 并列
• 2026-07：PinchBench 533+ 模型综合排行榜显示 AIME 已彻底饱和——3 个模型达 100%（GPT-5.2 / Claude Sonnet 4.5 / Claude Opus 4.6），8 个模型超过 94%；新进入的 Claude Fable 5 (Adaptive, Max Effort, Opus 4.8 Fallback) 综合分 71.9 居首但 AIME 子分已无区分度
• 2026-07：USAMO 2026 与 ProofBench 等更难数学基准成为新区分度来源——Claude Opus 4.8 USAMO 2026 达 96.7%（排除数据污染），单代模型证明类数学提升 27pp；AIME 2027 将于 2027 年初发布成为下一轮区分度来源
• 关键趋势：AIME 2026 已全面进入饱和阶段，3 个模型达 100% 满分，8 个模型超过 94%；推理竞赛的区分度正在向 HLE、FrontierMath、AIME 2027 转移
• 2026-07-09：GPT-5.6 Sol 发布，AIME 2026 数据未见于 OpenAI 官方基准表——OpenAI 不再将 AIME 列为重点评测，转向 Agents’ Last Exam (53.6%)、FrontierMath v2 (Tiers 1-3: 89%, Tier 4: 83%) 等下一代基准
• 2026-07-09：Muse Spark 1.1 发布，AIME 2026 数据同样未见于 Meta 官方基准表——AIME 系列已不再被一线厂商视为有区分度的评测
• 2026-07-16：AIME 2025/2026 的最终状态确认——3 个模型达 100%（GPT-5.2 / Sonnet 4.5 / Opus 4.6），厂商已全面停止在新模型发布时报告 AIME 分数。USAMO 2026（Opus 4.8 96.7% 排除数据污染）和 ProofBench 成为数学推理新标杆，AIME 2027（将于 2027 年初发布）是 AIME 系列的下一轮生命力来源
• 2026-07-16：腾讯混元 Hy3 正式版 AIME 2026 数据待公布，Preview 版本约 92%——Hy3 在数学推理上处于第二梯队（90-95%），未进入 96%+ 精英区间
• 2026-07-14：BenchLM 7月更新确认 GLM-5.2 以 99.2% 成为 AIME 2026 新 SOTA——距离满分仅 0.8pp，也是 AIME 2026 上第二个突破 99% 的模型（仅次于 3 个 100% 模型）。Kimi K2.6 96.4% 位居开源第二，16 个模型已被 BenchLM 收录
• 关键趋势终局判断：AIME 2026 已事实性退役——厂商（OpenAI/Meta/Anthropic）7月新模型发布中全面停止报告 AIME 分数，转向 ALE/USAMO 2026/FrontierMath v2 等下一代基准。AIME 2027 将于 2027 年初发布，是 AIME 系列的下一轮生命力来源。BenchLM 确认不将 AIME 2026 纳入加权评分
• 关键趋势：AIME 2026 已彻底完成其历史使命——厂商停止报告、评测源停止更新、社区关注度转移。AIME 2027 将于 2027 年初成为新一轮区分度来源；在此之前，FrontierMath v2（Tier 4 区分度极高：GPT-5.6 Sol 83% vs 此前最强者 ~50%）和 USAMO 2026 是数学推理的主战场
• 2026-07-24：Anthropic 发布 Claude Opus 5，在 IMO 2026（国际数学奥林匹克）上获得满分 42/42（金牌线 29 分），无工具无 Agent harness——这是首次有 AI 模型在 IMO 上获得满分金牌。但 Opus 5 的 System Card 中未报告 AIME 2026 分数，进一步证实 AIME 2026 已不在前沿厂商的评测关注范围内。数学推理的评测重心已完全转向 IMO、USAMO、FrontierMath v2 和 ProofBench
• 2026-08-31：MathArena 官方榜重排 topResults，评测协议统一为”每题 4 次运行取平均准确率”。GPT-5.5 (xhigh) 以 100% 居首，GPT-5.4 (xhigh) 99.17%，Gemini 3.1 Pro Preview 与 GPT-5.2 (high) 并列 98.33%，其后 Gemini 3 Flash / DeepSeek V4 Pro (Max) / Step 3.5 Flash / Claude Opus 4.6 (High) 同为 96.67%
• 2026-08-31：污染标记成为读榜的必要前提。MathArena 对赛后发布的模型标注”released after competition release”警告——GPT-5.5、GPT-5.4、Gemini 3.1 Pro Preview、Claude Opus 4.8 (max) 的满分/近满分成绩均带此标记，题目与完整解答可能已在训练数据中。真正”干净”的高分是 GPT-5.2 (high) 98.33%——它早于考试发布，无法记忆。引用”100% 通过 AIME”而不带这个星号，是在出售并不存在的确定性
• 2026-08-11：韩国 SK 电讯 A.X K2（688B）在 MathArena AIME 2026 上以 97.1% 并列第一，与 Thinking Machines Lab 的开源模型 Inkling 持平；该模型同期在 IMO 2026 取得 29/42，持平金牌线，是美中之外唯一达标模型（厂商自报数据）
• 最终答案与证明是两种能力：同一批模型在 USAMO 2026 证明题上急剧分化——GPT-5.5 (xhigh) 98.21%、GPT-5.4 (xhigh) 95.24%，而 Gemini 3.1 Pro Preview 掉到 74.40%、Claude Opus 4.6 (High) 仅 47.02%。Claude Opus 4.6 在 AIME 最终答案上 96.67%、在证明题上 47.02%，同一学科落差近 50 个百分点。只看最终答案正确率的榜单，对”需要可检查推导”的场景几乎没有参考价值

局限性

• 当前所有 9 个结果均为模型厂商自报告，无独立验证
• 题目数量仍然只有 30 道，统计方差较大
• 不同模型的采样策略（思考时间、温度等）可能不一致

关联基准

• AIME 2024/2025：上一年度版本
• MATH：更大规模数学题集
• FrontierMath：研究级数学
• OlympiadBench：奥赛综合