HARP（Human Annotated Reasoning Problems）是一个面向数学推理的高难度基准。随着 MATH 基准逐渐饱和，需要更具挑战性的评测。HARP 包含 4780 道短答题，来源于 1950 年至 2024 年的美国国家数学竞赛（包括 AMC、AIME 等），全部经过人工标注。
与 MATH 不同，HARP 的题目难度跨度更大（从入门竞赛到高难度国家赛），时间跨度覆盖 74 年，提供了更丰富的数学推理评测维度。评估多个前沿模型的结果表明，虽然模型在 HARP 上的表现优于已接近饱和的 MATH 基准，但仍远未达到人类竞赛选手的水平。开源于 GitHub。