为什么重要
AIME（American Invitational Mathematics Examination）是美国数学竞赛体系中的高级赛事（AMC → AIME → USAMO → IMO），每年约 6000 名高中生参加。AIME 2024 成为区分推理模型和非推理模型的分水岭。
构建方式
- 每年由 MAA（美国数学协会）组织专家出题
- 15 道题，每题答案是 0-999 的整数（无选择项，不能猜）
- 题目覆盖代数、几何、组合、数论，难度从 AMC 12 到 USAMO 之间
- 用 2024 年真题评测（每年更新可防污染）
任务示例
示例 1（2024 AIME I #10）：
“设 是正整数的一个排列。求满足 被 3 整除的排列数，模 1000 的值。” 需要组合数学 + 模运算推理
示例 2（2024 AIME II #12）：
一道几何题要求从多边形的面积关系推导坐标——需要解析几何和代数化简
最新进展（2026-10-17 更新）
本卡此前停在 o3 的 96.7%（2025-12），是典型的时间切片冻结。按 2026-10-16 的聚合快照，AIME 2025 上报出 100% 的模型已有 11 个：
| 100% 条目 | 归属 |
|---|---|
| GPT-6.1 Sol / GPT-6 Sol / GPT-6 Astra | OpenAI |
| GPT-5.2 / GPT-5.2 Pro | OpenAI（上一代） |
| Claude Opus 5.5 / Sonnet 5.5 / Fable 5.1 | Anthropic |
| Gemini 3 Pro | |
| Qwen3.8 Max (0902) | 阿里 |
| Kimi K2-Thinking-0905 | Moonshot AI（开源权重） |
紧随其后的 99.x 档同样拥挤：Claude Opus 4.6 99.8%、Gemini 3 Flash 99.7%、LongCat-Flash-Thinking-2601 与 GPT-5.1 High 99.6%、Qwen3.8 Max 99.4%、Nemotron 3 Nano（30B A3B）与 Muse Spark 1.3 与 Grok 4.6 99.2%、GPT-6 Luna 与 Gemini 3.8 Flash 98.9%、GPT-OSS-20B High 98.7%、DeepSeek-V4-Pro-0813 98.6%。
这个「满分并列」本身就是结论：AIME 每套 15 题，一题 6.67pp，100% 与 93.3% 之间只隔一题。当 11 个模型同时拿满分时，榜单已经无法回答「谁更强」，只能回答「谁还没拿满分」。本卡 saturation 因此由「未饱和」改为「已饱和」，但判定只针对 AIME 2025 这套题——AIME 2026（见 aime-2026 卡）与 HMMT / IMO 等更难的赛事仍在提供分辨力。
三条必须同时写出的限定：
- 污染：AIME 2025 于 2025 年初公开，2026 年评测的所有模型几乎不可能没见过它。「每年换新题防污染」的设计在一年内有效，两年后就失效了。
- 口径：聚合站不标注采样次数与推理档位。AIME 常报的是多次采样的 pass@1 均值或 majority vote，同一模型换档位可差 3–5pp——在 6.67pp 的粒度上，这就是一整题。
- topResults 只保留 8 条是因为规则上限，不是因为只有 8 个满分。被舍掉的三条（GPT-5.2、GPT-5.2 Pro、Qwen3.8 Max 0902）与上榜八条同分。
历史切片（保留供对照，不构成连续曲线）
| 时点 | 模型 | 分数 | 说明 |
|---|---|---|---|
| 2025-12 | OpenAI o3 | 96.7% | 本卡此前的头名 |
| 2025-01 | DeepSeek R1 | 79.8% | 当年开源最佳 |
| 2024-09 | OpenAI o1 | 83.3%（2024 卷） | 首代推理模型 |
| 2024-10 | Claude 3.5 Sonnet | 16% | 非推理模型代表 |
| 2024-05 | GPT-4o | 13.4% | 非推理模型代表 |
两代数字并排不代表连续曲线——2025 年的 16% 与 2026 年的 100% 之间既有能力跃迁，也有题型熟悉度与采样策略的变化。
关键发现
- 推理模型 vs 非推理模型的分水岭：o3 (96.7%) vs GPT-4o (13.3%)——7 倍差距。这条结论在 2024 年成立，在 2026 年已失去意义：当年用来区分的是「能不能做」，如今所有前沿模型都在天花板。
- 中端与旗舰同分：Claude Sonnet 5.5（$2/$10）与 Opus 5.5（$4/$20）在 AIME 2025 上同为 100%，与 Terminal-Bench 4.0、GPQA Diamond 上观察到的「中端反超 / 追平旗舰」是同一现象在数学基准上的延伸。
- 题量是致命伤：15 题的粒度决定了 AIME 天然不适合做前沿模型排序。要用它区分模型，必须多年份 + 多套卷合并，或换用 HMMT / IMO / FrontierMath 这类更难的赛事。