IMO-AnswerBench是一個用於評估人工智慧模型數學推理能力的基準測試。該基準首先使用400道多樣的奧林匹克競賽問題對模型進行測試，並要求可驗證的簡短答案。
多個AI模型在此基準上進行了測試並取得了成績。阿里的千問新模型曾刷新了該基準的全球紀錄。階躍星辰的Step 3.5 Flash模型在IMO-AnswerBench上達到了85.4%的準確率。美團的LongCat-Flash-Thinking-2601模型則以86.8分的成績達到了當前的SOTA水平。
基本含義,發展歷程,基本特徵,套用,影響,相關研究,
基本含義
IMO-AnswerBench首先使用400道多樣化的奧林匹克競賽問題對模型進行測試，並設有可驗證的簡短答案。
發展歷程
2026年1月，阿里千問新模型刷新了包括數學推理基準IMO-AnswerBench在內的多項關鍵性能基準測試的全球紀錄。同期，美團發布LongCat-Flash-Thinking-2601模型，其在IMO-AnswerBench上以86.8分達到當前SOTA。2026年2月，階躍星辰發布Step 3.5 Flash模型，在IMO-AnswerBench上取得85.4%的準確率。
基本特徵
IMO-AnswerBench首先使用400個多樣化的奧林匹克競賽問題對模型進行測試，這些問題具有可驗證的簡短答案。
套用
IMO-AnswerBench作為數學推理基準，與GPQA Diamond（科學知識）、LiveCodeBench（代碼編程）等基準一同用於模型性能測試。
影響
千問新模型刷新了數學推理(IMO-AnswerBench)等多項關鍵性能基準測試的全球紀錄。在IMO-AnswerBench上，有模型以86.8分達到當前SOTA，亦有模型達到85.4%的準確率。
相關研究
美團LongCat-Flash-Thinking-2601在IMO-AnswerBench中以86.8分達到當前SOTA。階躍星辰Step 3.5 Flash在IMO-AnswerBench中取得85.4分。阿里千問新模型刷新了數學推理(IMO-AnswerBench)等多項關鍵性能基準測試的全球紀錄。有研究模型在IMO-AnswerBench上達到80.0%。
