AIME
AIME（American Invitational Mathematics Examination）是一项面向AI数学推理能力的评测基准，源自美国数学邀请赛题目。该基准通过竞赛级别的数学难题，考察模型在代数、数论、几何、组合等领域的复杂推理与解题能力，题目需要多步骤逻辑推导，是衡量大语言模型高级数学推理水平的重要参考标准之一。
时间轴 (近 90 天)
该模型在AIME与HMMT February竞赛数学集上取得满分
AIME（美国数学邀请赛）是面向高中生的精英数学竞赛，题目以推理步骤多、答案唯一为特点
Saluki在MBPP+取得78.0分，多步因果逻辑67.5分，AIME取得80.0分，保留原版82%~85%的数学推理能力
模型在竞赛数学（如 AIME、IMO）和代码生成（如 Codeforces 竞赛题）上的得分在过去一年间出现近乎垂直的增长曲线
数学推理类评测包括MATH和AIME，考察符号推导与多步骤计算
部分大型语言模型已能在MATH、AIME等竞赛级题库中取得超过80%的正确率
AIME只有30个样本，用少量种子跑出的微小分数差异不具统计显著性
AIME只有30个样本，跑4个种子后以80分对比基线79分并加粗宣称超越，在统计上站不住脚
全部知识事实 (10)
AIME 满分为 150 分（15 题×10 分），已成为衡量 AI 模型数学推理能力的黄金标准之一
90%待验证AIME（美国数学邀请赛）中人类顶尖高中生的平均得分仅在3-5分左右（满分15分）
70%待验证该模型在AIME与HMMT February竞赛数学集上取得满分
50%待验证AIME（美国数学邀请赛）是面向高中生的精英数学竞赛，题目以推理步骤多、答案唯一为特点
50%待验证Saluki在MBPP+取得78.0分，多步因果逻辑67.5分，AIME取得80.0分，保留原版82%~85%的数学推理能力
50%待验证模型在竞赛数学（如 AIME、IMO）和代码生成（如 Codeforces 竞赛题）上的得分在过去一年间出现近乎垂直的增长曲线
50%待验证数学推理类评测包括MATH和AIME，考察符号推导与多步骤计算
50%待验证部分大型语言模型已能在MATH、AIME等竞赛级题库中取得超过80%的正确率
50%待验证AIME只有30个样本，用少量种子跑出的微小分数差异不具统计显著性
50%待验证AIME只有30个样本，跑4个种子后以80分对比基线79分并加粗宣称超越，在统计上站不住脚
50%