matharena.ai

MathArena 是一个用未被污染的数学基准来评测大语言模型（LLM）的网站。它把评测拆成多个板块，按比赛、时间版本和模型组织成排行榜，适合想比较不同模型在真实数学竞赛和论文题目上表现的人。它的核心价值在于"未污染"：题目来自竞赛和论文，模型很难在训练阶段提前见过答案，因此分数更能反映真实的推理能力，而不是记忆能力。

评测覆盖哪些数学内容

MathArena 的板块按题目类型和来源划分，从小学竞赛到研究级论文都有：

• ArXiv 相关：ArXivLean、BrokenArXiv、ArXivMath，面向论文和形式化数学内容，按月份版本（如 02/2026、03/2026）组织。
• 可视化数学（Visual Math）：Kangaroo 2025 的 1-2 到 11-12 年级分组，题目带图形。
• 最终答案竞赛（Final-Answer Comps）：AIME 2025/2026、HMMT Feb 2025、HMMT Nov 2025、HMMT Feb 2026、BRUMO 2025、SMT 2025、CMIMC 2025、Apex、Apex Shortlist 等，只看最终答案对错。
• 证明题竞赛（Proof-Based Comps）：USAMO 2025/2026、IMO 2025、IMC 2025、Miklós Schweitzer 2025、Putnam 2025，需要完整证明。
• Project Euler：编程与数学结合的题目。

这些板块覆盖了从 Kangaroo（袋鼠数学）到 Putnam、IMO 的完整难度梯度，读者可以按自己关心的难度层选择。

排行榜怎么读

排行榜的读法有三个维度，理解它们才能正确解读分数：

1. 按比赛选择：页面提示"Select a competition to load leaderboard"，先选具体比赛（如 AIME 2025 或 IMO 2025），才会加载对应榜单。
2. 按时间版本：同一类比赛有多个时间切片。例如 ArXivMath 有 12/2025 到 08/2026 的逐月版本，还有 Overall 汇总。时间版本的意义在于，新题目会持续加入，避免模型靠旧数据刷分。
3. 按模型查看得分：每个单元格是一个模型在该比赛上的成绩。点击单元格可以看到该模型的原始输出，这是 MathArena 比较实用的一点——分数之外还能看到模型实际写了什么，判断它是真推理还是碰运气。

读榜时要注意：不同板块的分数不可直接横向比较。最终答案题只看结果，证明题看过程，两者的评分逻辑不同。

哪些板块已标记为 Deprecated

页面中多个板块带有 Deprecated（已弃用） 标记，包括：

• 👁️ Visual Math (Deprecated)
• 🔢 Final-Answer Comps (Deprecated)
• ✍️ Proof-Based Comps (Deprecated)
• 💻 Project Euler (Deprecated)

这意味着这些板块可能不再更新，或已被新的组织方式取代。解读结果时要注意：Deprecated 板块的历史分数仍可参考，但不代表当前最新的评测状态。如果你要比较模型的最新能力，应优先看未标记弃用的板块（如 ArXiv 系列和当前的竞赛分组）。

适合谁用

• 想了解某个 LLM 在真实数学竞赛上表现的研究者或开发者。
• 需要按难度层（小学竞赛到研究级）筛选模型能力的选型者。
• 想查看模型原始输出、判断推理质量的人。

使用时先明确你要看的是哪类题（最终答案还是证明）、哪个时间版本，再点进单元格看原始输出，这样得到的结论才可靠。

AI 在数字生活里的实际用途，可以归为四类：把零散信息整理成可用结构、把初稿或素材快速做出来、把重复操作交给自动化、把选择范围缩小到可比较的几项。适合普通人的起点不是学完所有工具，而是挑一个每周都会遇到的高频任务，先让 AI 参与其中一环，再判断它是否值得长期留在流程里。涉及事实核对、隐私数据和最终决策的环节，仍需要自己把关。

四个最常见的日常场景

信息整理：从一堆材料到一份可读的笔记

典型任务：把会议记录、网页摘录、聊天记录汇总成要点，或把长文压缩成可执行的清单。

适合交给 AI 的部分是归类和压缩：让它按主题分组、提取待办、标出重复内容。不适合直接采信的是它补出来的细节——如果原文没写，AI 可能用看起来合理的说法填上。做法是要求它只基于你给的文本输出，并保留原文出处，自己再抽查几条。

写作与表达：把初稿这一步变快

典型任务：写邮件、写说明、把口语化的想法改成正式表达、给同一段内容换几种语气。

AI 在这里的价值是提供可修改的起点，而不是最终稿。有效用法是先给它明确的读者、目的和长度，再让它给两三个不同版本供你挑。判断标准很简单：改起来比自己从零写快，就继续用；改的时间超过自己写，就说明这个任务不适合交给它。

图像与素材处理：处理已有素材，而不是凭空生成

典型任务：抠图、去背景、放大低清图、给图片配文字说明、把截图整理成演示用图。

这类任务的预期结果比较直观，容易验证，适合作为入门场景。需要注意的是生成类图像在文字、手部、细节一致性上仍容易出错，用于正式场合前要逐张检查。

自动化：把重复操作串起来

典型任务：定时汇总信息、批量重命名、把某个来源的新内容自动整理成固定格式。

自动化的门槛比前三个场景高，因为它要求流程本身是稳定的。建议先把流程手动跑通两三遍，确认每一步的输入输出都清楚，再考虑交给工具执行。流程没稳定就自动化，出问题时更难定位。

哪些任务适合交给 AI，哪些要自己把关

一个实用的判断方法是问自己：如果 AI 给的结果错了，我能不能在几分钟内发现？能发现，就可以放心让它先做；发现不了，就要么换任务，要么加上核对步骤。

用 AI 辅助筛选数字工具，减少选择成本

工具太多、挑不过来，是数字生活里很常见的消耗。AI 可以在这件事上帮上忙，但用法有讲究。

有效的做法是先把条件说清楚，再让它按条件筛：

• 说明你的使用场景和频率，比如“每周用两三次，主要处理表格”
• 说明限制条件，比如设备、是否愿意付费、是否需要多人协作
• 要求它给出对比维度，而不是直接推荐一个名字
• 让它说明每个选项在什么条件下更合适

这样得到的是一份可比较的清单，而不是一个结论。最终判断仍要回到自己的实际使用：先用一两个候选跑一遍真实任务，比看十篇评测更快。

开始时的三个注意点

隐私：把资料交给任何工具前，先去掉姓名、联系方式、账号、未公开的业务信息。不确定对方怎么处理数据时，就当它会被留存。

准确性：AI 的输出在语言流畅度和正确性之间没有必然关系。越是具体的事实、数字、引用，越要回到原始来源确认。

依赖：如果某个环节离开 AI 就完全做不下去，说明你把判断力也交出去了。保留自己动手做一遍的能力，尤其是在你最常使用的那一两个场景里。

从哪个场景开始

选一个你每周至少遇到一次、结果容易验证、不涉及敏感信息的任务，让 AI 参与其中一环，连续用两周。两周后回看：它省下的时间是否稳定，出错时你是否能及时发现。两个答案都是肯定的，再考虑扩展到下一个场景。一次只加一个，比同时铺开五六个工具更容易判断哪个真正有用。

MathArena 是一个用未被污染的数学竞赛基准来评测大语言模型（LLM）数学能力的平台。它把 AIME、HMMT、IMO、USAMO、Putnam、Project Euler 等竞赛题目组织成多个基准，按竞赛、时间、模型维度展示排行榜，并允许点击单元格查看模型的原始输出。如果你想判断某个模型在"真正的竞赛数学"上表现如何，而不是在可能已进入训练数据的旧题上刷分，MathArena 的价值就在于它强调基准的未污染性——用较新的竞赛题来降低模型"背过答案"的可能。

评测目标：为什么强调"未污染"

大语言模型在训练中会吸收大量公开文本，很多经典数学题（尤其是流传多年的竞赛题）很可能已经出现在训练语料里。这会导致模型在旧基准上分数虚高，却未必具备真正的推理能力。

MathArena 的做法是持续引入较新的竞赛题作为基准，例如 AIME 2025、AIME 2026、HMMT Feb 2025、HMMT Nov 2025、HMMT Feb 2026、USAMO 2025、USAMO 2026、IMO 2025、Putnam 2025 等。这些题目在模型训练截止时间之后才公开，因此更能反映模型面对新问题时的真实数学能力。

两类竞赛的评测方式差异

MathArena 把竞赛基准分成两大类，评测方式不同：

最终答案类的题目有唯一数值或表达式答案，评测相对直接：模型给出答案，与标准答案比对即可。AIME 这类题目答案通常是 0–999 的整数，判定清晰。

证明类的题目没有唯一答案，需要评估证明的逻辑完整性、严谨性和正确性。这类评测更难自动化，通常需要更复杂的评判方式（如人工评审或专门的评判模型）。这也是为什么 MathArena 把两类分开呈现——它们的分数不能直接横向比较。

专项基准分别考察什么

除了按竞赛划分，MathArena 还提供几个专项基准，针对不同的数学能力维度：

• ArXivMath：按时间（12/2025、01/2026 至 08/2026 等）组织的基准，考察模型处理学术数学问题的能力。
• BrokenArXiv：同样按时间划分（02/2026 至 08/2026 等），名称暗示其可能涉及"有缺陷"或"需要纠错"的数学内容，考察模型识别和处理问题缺陷的能力。
• Visual Math：视觉数学基准，包含 Kangaroo 2025 各年级（1-2、3-4、5-6、7-8、9-10、11-12），考察模型处理带图形或视觉信息的数学题的能力。
• Project Euler：编程与数学结合的题目，考察模型用计算方法解决数学问题的能力。

这些专项基准让你可以针对特定能力维度（学术数学、视觉数学、计算数学）查看模型表现，而不只是看综合竞赛分数。

如何查看排行榜与模型输出

MathArena 的界面围绕"选择竞赛 → 加载表格/排行榜"的逻辑组织：

1. 选择竞赛：从下拉菜单选择你想看的竞赛或基准，例如 AIME 2026、IMO 2025、Project Euler 等。
2. 查看排行榜：选定后加载对应的排行榜，展示各模型在该竞赛上的得分。
3. 查看原始输出：点击单元格可以看到该模型在该题上的原始输出。这是理解模型"为什么得分/失分"的关键——分数只是结果，原始输出能让你看到模型的推理过程、是否跳步、是否在最后一步算错。

按时间维度，你可以对比同一模型在不同年份竞赛上的表现，观察其能力是否随版本更新而提升。

Deprecated 分类的含义

MathArena 中多个分类标注了 (Deprecated)，包括：

• 👁️ Visual Math (Deprecated)
• 🔢 Final-Answer Comps (Deprecated)
• ✍️ Proof-Based Comps (Deprecated)
• 💻 Project Euler (Deprecated)

Deprecated 意味着这些分类已被弃用，平台可能已用新的组织方式替代它们。但弃用不等于数据无价值——这些分类下仍保留了具体竞赛的结果（如 Visual Math 下的 Kangaroo 2025 各年级、Final-Answer Comps 下的 AIME 2025/HMMT Feb 2025 等、Proof-Based Comps 下的 USAMO 2025/IMO 2025/Putnam 2025 等、Project Euler 下的题目视图）。

参考这些旧分类时需要注意：它们反映的是当时的评测口径，可能与当前基准的组织方式或判定标准不同，因此不宜与最新结果直接混用比较。把它们当作历史参考更合适。

使用建议

• 想看模型真实数学能力：优先看较新的竞赛（AIME 2026、HMMT Feb 2026、USAMO 2026 等），污染风险更低。
• 想比较不同能力维度：最终答案类看解题正确率，证明类看证明质量，两者分开评估。
• 想理解分数背后的原因：点击单元格查看原始输出，比只看分数更有信息量。
• 看到 Deprecated 分类：可以查看历史数据，但注意评测口径可能已变化，不要与当前结果直接对比。

Pedagoguery Software 是一家自 1988 年起持续开发数学与几何类软件的公司，当前产品面向 Macintosh 和 Windows 电脑。根据其官网信息，你可以通过网站导航栏或页面链接查看当前产品、下载评估版（evaluation copies）、查看价格与购买方式，以及书籍推荐。官网列出的当前产品名称包括 GrafEq、Poly、Poly Pro、Tess、COGS 等，早期产品则针对 Apple // 和 IBM PC 兼容机。

当前面向 Macintosh 和 Windows 的产品

官网“Overview of Products”及页面链接中出现的产品名称如下：

官网明确说明“current software products are for Macintosh and Windows computers”，即当前产品同时面向这两个平台。但页面证据中并未逐个列出每个产品具体支持哪些平台版本、系统要求或功能细节，因此无法在此确认某一款软件是否同时提供 Mac 与 Windows 两个版本，需要进入对应产品页面查看。

早期产品（GrafEq、Tickedy-Boo、Z80 CP/M Turbo Enhancer、Vector Nector 面向 Apple //；Sin ’n Conics 面向 IBM PC 兼容机）属于历史产品，不代表当前可获取的版本。

如何下载试用版

官网提供了下载评估版（evaluation copies）的入口，路径为网站导航栏或页面中的下载链接。

操作思路：

1. 打开 peda.com。
2. 使用导航栏（需启用 JavaScript 才能使用导航菜单）或页面正文中的链接。
3. 进入下载区域，获取你所需产品的评估版。
4. 按产品页面说明安装并试用。

预期结果：获得该软件的评估副本，用于在购买前体验功能。官网未在证据中说明评估版的功能限制、试用期限或是否需注册，这些需以产品页面实际说明为准。

如何查看价格与购买

官网设有“Prices & Purchasing”入口，用于查看价格和购买相关信息。

1. 在导航栏或页面链接中找到“Prices & Purchasing”。
2. 查看各产品的价格与购买方式。
3. 官网还提供书籍推荐（book recommendations），可与软件一并参考。

需要注意：页面证据中未列出具体价格数字、支付平台或购买流程细节，因此无法在此给出金额或支付方式。价格与购买条件请以“Prices & Purchasing”页面的实时内容为准。

政策与许可

官网提供“policies and licenses”链接，可查看公司的政策与授权条款。购买或部署前建议先阅读该部分，确认授权范围。

联系与背景信息

如需进一步咨询，官网给出的联系方式：

• 邮箱：[email protected]
• 语音留言：604 629 7589
• 传真：778 373 4963
• 邮寄地址：Pedagoguery Software Inc., 4446 Lazelle Ave., Terrace, B.C. V8G 1R8, Canada

公司自 1988 年起开发软件，早期产品覆盖 Apple // 与 IBM PC 兼容机，当前产品线转向 Macintosh 和 Windows。

常见卡点

• 导航菜单依赖 JavaScript：官网提示“To use the navigation menus, enable JavaScript”，若菜单无法展开，请检查浏览器是否启用了 JavaScript，或改用页面正文中的链接。
• 平台确认：官网只说明当前产品面向 Macintosh 和 Windows，未逐款标注，下载前请在对应产品页确认你的系统是否受支持。
• 价格与试用限制未在首页证据中给出：具体金额、试用期限、功能限制需进入“Prices & Purchasing”和产品页面查看。

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：

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

1. 打开 MathArena 的 Leaderboards 区域。
2. 在“Choose competition”中选择想看的竞赛或基准类别。
3. 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”）。
4. 在表格中按模型查看成绩，横向比较不同模型。
5. 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。