# Math24o – SuperCLUE 开源的高中奥林匹克数学竞赛推理测评基准

- Link: https://paooo.com/aigc-news/20711/
- Published: 2026-06-08T05:27:59+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 基于 2024 年高中数学竞赛预赛题，Math24o 用 21 道高难度解答题评估[大模型](https://paooo.com/ai-study/)
   数学推理。
 * 答案唯一且可自动判分，能客观衡量模型在函数、数列、几何等题型上的正确率。
 * 实测显示 o3-mini(high) 以 85.71 分领先，DeepSeek-R1 为 57.14 分，差距明显。

## Math24o是什么

Math24o 是中文大模型测评基准 SuperCLUE 开源的高中奥林匹克数学竞赛级别的数学推理测
评基准。主要用于评估大型语言模型在数学推理方面的能力。使用2024年全国高中数学竞赛
的部分预赛试题，包含21道高难度解答题，答案唯一且为整数或小数。测评通过程序自动判断
模型答案与参考答案是否一致，以客观评估模型的正确率。测评基准能有效衡量语言模型在
解决复杂数学问题时的表现，为相关研究和开发提供了有力的工具。

阅读目录

 * [Math24o是什么](https://paooo.com/aigc-news/20711/#math24o%e6%98%af%e4%bb%80%e4%b9%88)
 * [Math24o的主要功能](https://paooo.com/aigc-news/20711/#math24o%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [Math24o的技术实现](https://paooo.com/aigc-news/20711/#math24o%e7%9a%84%e6%8a%80%e6%9c%af%e5%ae%9e%e7%8e%b0)
 * [Math24o的项目地址](https://paooo.com/aigc-news/20711/#math24o%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [Math24o的模型性能评估与对比](https://paooo.com/aigc-news/20711/#math24o%e7%9a%84%e6%a8%a1%e5%9e%8b%e6%80%a7%e8%83%bd%e8%af%84%e4%bc%b0%e4%b8%8e%e5%af%b9%e6%af%94)
 * [Math24o的应用场景](https://paooo.com/aigc-news/20711/#math24o%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![Math24o ](https://paooo.com/wp-content/uploads/2026/06/Math24o-website-1-1.avif)

## Math24o的主要功能

 * **高难度数学问题测评**：Math24o 使用2024年全国高中数学竞赛的预赛试题，包含21道
   高难度的解答题，题目类型涵盖函数、数列、几何等多个数学领域，能全面评估模型在高中
   数学竞赛中的推理能力。
 * **答案唯一性与客观评估**：所有测评题目的最终答案都是唯一的，且必须是整数或小数，
   确保了测评的公正性和可靠性。通过程序自动判断模型答案与参考答案是否一致，客观地
   评估模型的正确率。
 * **自动化评估流程**：Math24o 提供了自动化评估工具，用户可以将模型的回答保存到指定
   文件中，通过运行Python脚本自动获取模型的平均得分和每道题目的详细评估结果。
 * **为模型研发提供参考**：测评基准为未来模型的研发提供参考，帮助开发者了解模型在
   复杂数学任务中的表现，推动模型在数学推理能力上的进一步提升。

## Math24o的技术实现

 * **技术实现**：Math24o 的技术实现基于 Python 编程语言，通过编写特定的脚本来实现
   自动化评估功能。使整个评估过程更加高效和标准化，减少了人为干预的可能性。

## Math24o的项目地址

 * **Github仓库**：[https://github.com/CLUEbenchmark/Math24o](https://github.com/CLUEbenchmark/Math24o)

## Math24o的模型性能评估与对比

从测试结果可以看出，o3-mini(high) 表现最为出色，得分最高，达到了85.71分，其他模型
如QwQ-32B和DeepSeek-R1等得分相对较低，分别为66.67分和57.14分，表明当前大模型在高中
奥数领域的性能仍有提升空间。

  |  排名 |  模型 |  机构 |  总分 |  使用方式 |  发布日期 |  
   |  1 |  o3-mini(high) |  [OpenAI](https://paooo.com/tag/openai/) |  85.71 |  API |  2025.03.12 |  
 |  2 |  Gemini-2.0-Flash-Thinking-Exp-01-21 |  Google |  71.43 |  API |  2025.03.12 |  
 |  3 |  QwQ-Max-Preview |  阿里云 |  66.67 |  官网 |  2025.03.12 |  
 |  3 |  QwQ-32B |  阿里云 |  66.67 |  模型 |  2025.03.12 |  
 |  3 |  o1 |  OpenAI |  66.67 |  API |  2025.03.12 |  
 |  4 |  DeepSeek-R1 |  深度求索 |  57.14 |  API |  2025.03.12 |  
 |  4 |  [Claude](https://paooo.com/aigc-news/) 3.7 Sonnet |  Anthropic |  57.14 |  POE |  2025.03.12 |

## Math24o的应用场景

 * **教育领域**：Math24o 为教育领域提供了评估和提升学生数学能力的工具。通过使用高中
   奥林匹克数学竞赛级别的题目，能帮助教师和教育研究者了解学生在复杂数学问题上的推理
   能力和解题技巧。
 * **学术研究**：在学术研究中，Math24o 可以作为评估和比较不同大型语言模型（LLMs）
   数学推理能力的基准。研究人员可以用基准来衡量模型在解决复杂数学问题时的表现，推动
   模型性能的提升和优化。
 * **模型开发与优化**：Math24o 为开发和优化大型语言模型提供了重要的参考。测试模型
   在高中奥林匹克数学竞赛题目上的表现，开发者可以更好地理解模型的优势和不足，调整
   模型的架构和训练策略，提高模型在数学推理任务中的性能。
 * **智慧校园建设**：Math24o 可以作为智慧校园建设的一部分，帮助学校评估和提升学生
   的数学能力。
 * **教育资源整合**：Math24o 的题目和评估工具可以整合到教育资源平台中，为学生和教师
   提供丰富的学习和教学资源

🧭 文中关联 AI 工具官网与参数卡（语宙 AI 导航）

**Anthropic ↗**

Anthropic：人工智能安全和研究公司，面向大语言模型场景提供便捷实用的在线功能支持，
涵盖智能工具等实用方向

**Claude ↗**

Anthropic 打造的新一代安全人工智能模型，具备超长上下文理解能力，最强代码伴侣。

❓ 常见问题解答（FAQ）

Math24o 主要用来测什么？

Math24o 是 SuperCLUE 开源的高中奥林匹克数学竞赛推理测评基准，主要用于评估大型语言
模型在复杂数学推理上的能力，尤其适合检验模型解答高难度竞赛题的正确率与稳定性。

Math24o 的题目和评分方式有什么特点？

它使用 2024 年全国高中数学竞赛部分预赛试题，共 21 道高难度解答题，答案唯一且为整数
或小数。系统通过程序自动比对模型答案与参考答案，客观输出平均得分和逐题结果。

哪些模型在 Math24o 上表现较好？

根据文中测试结果，o3-mini(high) 得分最高，为 85.71 分；Gemini-2.0-Flash-Thinking-
Exp-01-21 为 71.43 分；QwQ-Max-Preview、QwQ-32B、o1 均为 66.67 分，DeepSeek-R1 和
Claude 3.7 Sonnet 为 57.14 分。

🔬 语宙深潜追问 · 进阶实操拆解

21道题的基准怎么避免样本太少？

小样本基准要靠高质量标注和稳定评分补足统计不足。可增加分题型分析、错误模式归因和
多次采样评测，并结合历史竞赛题做外部验证，提升结论可信度。

自动判分能否真实反映推理水平？

能反映一部分，但前提是答案格式严格、步骤规则明确。对奥数题更适合做“最终答案+关键
步骤”双层评分，单靠最终数值容易漏掉中间推理错误。

🗳️ 读者观点微投票 · 您的实战立场是？

奥数基准该追求难度还是可复现？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/)

 * [QwQ-32B-Preview – 阿里开源的AI推理模型，基准测试超越 o1 模型](https://paooo.com/aigc-news/25236/)
 * [Light-R1 – 360智脑开源的长思维链推理模型](https://paooo.com/aigc-news/21281/)
 * [DeepSeek-Math-V2重磅发布：开源数学推理模型，IMO/CMO金牌水平，开启AI自我验证新纪元](https://paooo.com/aigc-news/12862/)
 * [DeepSeek-Prover-V2 – DeepSeek推出的开源数学推理大模型](https://paooo.com/aigc-news/20073/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/20711/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
