AIME (Competition Math)
Benchmark
Kemampuan
Olympiad-track problems — where reasoning models showed their jump.
Anda sedang melihat entri benchmark: sebuah uji yang digunakan industri untuk mengukur chip atau model — dan apa yang sebenarnya ditunjukkannya.
The American Invitational Mathematics Examination became the standard hard-math benchmark because it resists pattern-matching: GPT-4o scored ~12%, o1 ~74–83%, and 2025 reasoning models near-perfect — the single clearest before/after of test-time compute. Gold-medal IMO performances by DeepMind and OpenAI systems in 2025 extended the story.
Bagaimana ini terhubung ke bagian lain dari stack
Tautan catatan ini sekilas — klik grup untuk langsung menuju ke sana.
Sumber
Rekaman ditinjau per 2026-01-15 — lihat Metodologi.