GPT-5.4领跑2026年数学基准测试，前沿模型分数趋于饱和

大型语言模型的数学基准测试格局已进入一个转折点。OpenAI的GPT-5.4在BenchLM.ai数学排行榜上以AIME 2025 99分、MATH-500 99分和BRUMO 2025 97分的成绩领先。然而，GPT-5.2 Pro与每一项分数持平，GPT-5.3 Codex紧随其后，在相同指标上分别为98/99/96。Claude Opus 4.6也紧随其后，得分为98/98/96。

这种顶部的饱和并非停滞的迹象。它标志着旧的基准测试已被征服。当今领先的模型是那些在多种竞赛风格和通用难度数学集上覆盖最广的模型，同时避开了困扰单一年度评估的污染陷阱。

饱和的基准测试与污染检查

BenchLM追踪了AIME 2023、2024和2025，以及HMMT 2023, 2025、MATH-500和较新的BRUMO 2025。逻辑很简单：一个模型在AIME 2023上得分为99，但在AIME 2025上却降至45，那么它可能只是记住了旧的公开问题，而不是发展出可泛化的数学推理能力。当前表格中的前沿模型在所有三年中表现一致，这强有力地证明了真正的推理能力，而非基准记忆。

排名前十的模型在AIME 2025和HMMT 2025上的得分集中在96到99之间。在这个水平上，1到2分的差距对于大多数实际工作流程来说在统计上可以忽略不计。有意义的区分现在发生在下一代测试套件上。

下一代：FrontierMath与HMMT Feb 2026

OpenAI于2026年4月23日发布的GPT-5.5和GPT-5.5 Pro，以及DeepSeek于4月24日发布的V4 Pro系列，并未报告在旧BenchLM指标上的得分。相反，它们已转向更难的评估：FrontierMath、HMMT Feb 2026、IMOAnswerBench和APEX。

GPT-5.5 Pro在FrontierMath上得分为52.4，GPT-5.5得分为51.7。DeepSeek V4 Pro Max在HMMT Feb 2026上达到95.2分，在IMOAnswerBench上达到89.8分，在APEX上达到38.3分。这些数字不能直接与旧基准测试进行比较；FrontierMath被设计为研究级难度，即使是最强的模型也只能解决大约一半的问题。

头条结论：实验室意识到旧的测试已经饱和，并已移动了目标。对于今天需要一个用于实际竞赛或应用数学模型的用户来说，GPT-5.4或Claude Opus 4.6是安全的选择。对于研究级数学，GPT-5.5 Pro的FrontierMath得分是需要关注的能力上限。

用例推荐

最佳模型很大程度上取决于任务。对于需要逐步推理的竞赛风格问题（如硬代数、数论、概率和几何），GPT-5.4或GPT-5.2 Pro是默认选择，在AIME 2025上得分为99，在HMMT 2025上得分为97。Claude Opus 4.6和Grok 4.1在实际使用中基本持平。

对于科学计算和应用数学（微积分、线性代数、微分方程），GPT-5.3 Codex是性价比之选。它在AIME 2025上得分为98，在MATH-500上得分为99，并具有强大的符号操作能力，适用于编码相关的工作流程。当可读的推导过程比吞吐量更重要时，Claude Opus 4.6是替代选择。

对于金融和概率推理，优先级从原始准确性转向可审计性。GPT-5.4和Claude Opus 4.6在提示显示假设并暴露不确定性的情况下，能够可靠地处理概率和估计。此处，数值幻觉率比峰值AIME分数更重要。

对于数学辅导，解释质量成为主要指标。Claude Opus 4.6和Claude Sonnet 4.6提供更清晰的逐步解释。当学生需要多种解题路径或验证环节时，GPT-5.4更强。没有模型是100%可靠的，每个输出都应进行抽查。

定价与价值

定价比头条数学分数更能改变推荐。GPT-5.4每百万输入令牌成本为2.50美元，每百万输出令牌成本为15.00美元。GPT-5.3 Codex输入成本相同，但输出成本为10.00美元。Claude Opus 4.6更贵，为5.00美元/25.00美元，而Claude Sonnet 4.6为3.00美元/15.00美元。

对于几个难题，GPT-5.4或Claude Opus 4.6值得支付溢价。对于一个高容量的数学助手，GPT-5.3 Codex提供了足够的基准裕度, , 在AIME上落后一分，MATH-500几乎相同，但输出成本显著降低。

开源权重替代方案

在开源权重模型中，来自Z.AI的GLM-5 (Reasoning) 在AIME 2025上得分为98，在HMMT 2025上得分为95，在MATH-500上得分为92，使其成为竞赛数学领域最强的开源选项。来自Moonshot AI的Kimi K2.5 (Reasoning) 紧随其后，在相同指标上得分为96.1/95.4/92。DeepSeek-R1在MATH-500上仍然很强，得分为97.3，但在当前的竞赛数学中严重落后：AIME 2025得分为45，HMMT 2025得分为41，BRUMO 2025得分为43。Sarvam 105B值得注意，其在MATH-500上得分为98.6，尽管在其他方面覆盖较弱。

结论

在2026年，GPT-5.4是数学领域完全覆盖的最佳大型语言模型，但竞争太过激烈，难有单一赢家。GPT-5.2 Pro与之持平，GPT-5.3 Codex是性价比之选，而当解释质量至关重要时，Claude Opus 4.6是最佳选择。下一个前沿并非在于旧基准，而是在FrontierMath和HMMT Feb 2026上，GPT-5.5 Pro目前领先。对于今天实际的数学工作，安全的选择是明确的，真正的信号在于用例，而非头条排名。

数据来源：BenchLM.ai。最后更新于2026年5月。