MathArena 的 Leaderboards 排行榜怎么看:按竞赛和模型比较 LLM 数学能力
MathArena 的 Leaderboards 是一组按数学竞赛和基准分类组织的模型成绩表，用来比较不同大语言模型在未被污染的数学题上的表现。它适合想知道“某个模型在 AIME、IMO、Putnam 这类具体竞赛上表现如何”的读者。使用方式是先在页面选择竞赛或基准类别，加载对应排行榜表格，再按模型逐项查看成绩；点击单元格还能看到该模型的原始输出。需要注意，页面中标注为 Deprecated（已弃用）的榜单属于旧分类，不应与当前主榜混用。
排行榜解决什么问题
MathArena 的定位是“用未被污染的数学基准评测 LLM”。排行榜把评测结果按竞赛来源和题型组织成可切换的表格，让读者能回答两类问题：
- 同一个模型在不同竞赛上的表现差异有多大；
- 同一场竞赛里，不同模型谁更强。
由于榜单按竞赛和时间段切分，它也能反映模型在特定年份、特定月份题目上的表现，而不是只给一个笼统的总分。
榜单的分类结构
从页面可见的选项看，Leaderboards 主要分为以下几类，每类下再按具体竞赛或时间段细分：
| 类别 | 说明 | 细分示例 |
|---|---|---|
| ArXivLean | 与 Lean 相关的 arXiv 基准 | 03/2026、06/2026 |
| BrokenArXiv | arXiv 基准的另一组切分 | Overall 及各月份（02/2026–08/2026） |
| ArXivMath | arXiv 数学基准 | Overall 及 12/2025–08/2026 各月 |
| 👁️ Visual Math（已弃用） | 视觉数学题 | Overall，以及 Kangaroo 2025 各年级 |
| 🔢 Final-Answer Comps（已弃用） | 只要求最终答案的竞赛 | AIME、HMMT、BRUMO、SMT、CMIMC、Apex 等 |
| ✍️ Proof-Based Comps（已弃用） | 要求写证明的竞赛 | USAMO、IMO、IMC、Miklós Schweitzer、Putnam |
| 💻 Project Euler（已弃用） | 编程数学题 | Project Euler |
其中 Visual Math、Final-Answer Comps、Proof-Based Comps、Project Euler 都带有 Deprecated 标记，说明这些是旧分类。当前主榜应优先看 ArXivLean、BrokenArXiv、ArXivMath 这类未标注弃用的类别。
如何按竞赛和时间段筛选
页面提供“Choose competition”选择器，可选的竞赛覆盖多个层级：
- 入门与年级类：Kangaroo 2025 的 1-2、3-4、5-6、7-8、9-10、11-12 各年级组；
- 高中竞赛类：AIME 2025、AIME 2026、HMMT Feb 2025、HMMT Nov 2025、HMMT Feb 2026、BRUMO 2025、SMT 2025、CMIMC 2025、Apex、Apex Shortlist；
- 高阶证明类：USAMO 2025、USAMO 2026、IMO 2025、IMC 2025、Miklós Schweitzer 2025、Putnam 2025；
- 编程类：Project Euler。
时间维度上，ArXivMath 和 BrokenArXiv 都按月份切分（如 12/2025、01/2026 一直到 08/2026），并各自提供 Overall 汇总。这样既能看单月表现，也能看整体表现。
操作步骤
- 打开 MathArena 的 Leaderboards 区域。
- 在“Choose competition”中选择想看的竞赛或基准类别。
- 页面加载对应的排行榜表格（未选择时提示“Select a competition to load tables / leaderboard”）。
- 在表格中按模型查看成绩，横向比较不同模型。
- 点击某个单元格，查看该模型在这道题上的原始输出，判断它是真解出来还是碰巧答对。
常见卡点
- 把已弃用榜单当主榜：Visual Math、Final-Answer Comps、Proof-Based Comps、Project Euler 都标了 Deprecated，比较当前模型能力时应优先用未弃用的类别。
- 忽略时间切分：同一类别下不同月份的题目不同，跨月直接比分数可能不公平，需要看清是 Overall 还是单月。
- 只看总分不看原始输出：点击单元格能看到模型原始输出，这是判断模型是否真正理解题目的关键，只看分数容易高估。
- 未选竞赛时页面为空：表格和排行榜都需要先选择竞赛才会加载，看到空白提示属于正常状态。