BenchLeader

ProofBench 排行榜

截至 2026年11月16日,ProofBench 的最高分为 100.0%,由 Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1 和 Claude Sonnet 5.5 并列取得,领先于 GPT-6 Astra(99.0%)。共有 85 个模型配置公布了结果(Vals AI,结果日期 2026年11月9日)。ProofBench 要求对竞赛和本科阶段的定理给出完整的书面证明,而不只是最终答案,并按严谨性和完整性评分。ProofBench 计入 BenchLeader Index 的数学得分。

要点(截至 2026年11月16日)

  • Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1 和 Claude Sonnet 5.5 以 100.0% 并列 ProofBench 最高分(Vals AI,2026年11月16日)。
  • ProofBench:按严谨程度评分的完整书面证明(Vals AI)(Vals AI)。
  • BenchLeader 上有 85 个模型配置公布了 ProofBench 结果(BenchLeader,2026年11月16日)。
  • ProofBench 计入 BenchLeader Index 的数学类别(BenchLeader 方法论)。

按严谨程度评分的完整书面证明(Vals AI)。

发布方
Vals AI数据经由 Epoch AI Benchmarking Hub
类别
数学
Index 权重
0.5
模型
85
数据截至
2026年11月16日
最新结果
2026年11月9日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

测试内容

ProofBench 要求对竞赛和本科阶段的定理给出完整的书面证明,而不只是最终答案,并按严谨性和完整性评分。

评分方式

所有证明得分占满分的百分比,按评分标准并经人工复核评分,由 Vals AI 发布。

注意事项

证明评分需要判断,所以评分规程和模型本身同样重要。分数远低于只看最终答案的数学基准测试,不应与之比较。

85 / 85
#
1新Claude Fable 5.2max100.0%72.72026-11-09
2Claude Opus 5.5max100.0%68.42026-09-22
3Claude Fable 5.1max100.0%66.72026-09-01
4Claude Sonnet 5.5max100.0%64.22026-09-28
5GPT-6 Astra99.0%66.42026-09-03
6Claude Opus 5max99.0%65.02026-07-24
7Gemini 4 Argon99.0%64.42026-10-13
8GPT-6.1 Sol99.0%62.02026-09-29
9Claude Fable 5max95.0%65.12026-06-09
10Kimi K3.1 Pro91.0%61.82026-10-23
11Claude Haiku 5.5max89.0%55.32026-10-07
12Kimi K387.0%60.72026-07-16
13Muse Wonder84.0%64.42026-10-12
14GPT-5.6 Solmax83.0%65.32026-07-09
15GPT-6 Sol83.0%–2026-09-22
16Claude Sonnet 5max77.0%56.12026-06-30
17Hy475.0%56.72026-08-28
18GPT-5.6 Terraxhigh74.0%60.12026-07-09
19MiMo-V2.6-Pro70.0%57.52026-09-21
20Claude Opus 4.8max69.0%61.12026-05-28
21GPT-6 Luna64.0%–2026-09-22
22MiMo-V2.6-Flash63.0%54.82026-09-21
23GPT-5.6 Lunamax60.0%56.22026-07-09
24Muse Spark 1.3max58.0%60.62026-09-02
25Qwen3.8 Maxmax58.0%58.72026-08-02
26Gemini 3.7 Flash58.0%–2026-08-13
27GPT-5.4xhigh56.0%63.12026-03-05
28DeepSeek V4 Flash56.0%53.82026-07-31
29Muse Spark 1.355.0%61.62026-09-02
30Claude Opus 4.7max54.0%59.72026-04-16
31DeepSeek V4.1 Flash54.0%–2026-09-09
32Grok 4.651.0%–2026-08-12
33GPT-5.5xhigh50.0%64.12026-04-23
34Claude Opus 4.6max50.0%57.02026-02-05
35DeepSeek V4 Pro50.0%53.02026-08-13
36GLM 5.3max49.0%58.82026-08-14
37Gemini 3.8 Flash48.0%56.42026-09-02
38Claude Sonnet 4.6max45.0%56.12026-02-17
39Muse Spark 1.243.0%–2026-08-05
40Step 5 Preview42.0%56.02026-09-18
41Muse Spark 1.139.0%62.22026-07-09
42Claude Opus 4.536.0%57.12025-11-24
43Gemini 3.6 Flash36.0%49.32026-07-21
44GLM 5.2max35.0%58.92026-06-16
45Gemini 3.5 Flashhigh31.0%62.52026-05-19
46Grok 4.5high31.0%56.82026-07-08
47Qwen3.7max26.0%60.02026-05-19
48Gemini 3.1 Pro26.0%59.92026-02-19
49Grok 4.726.0%–2026-09-21
50GLM 5.122.2%55.42026-04-07
51MiMo-V2.5-Pro22.0%55.5–
52GPT-5.4 Minixhigh21.0%55.12026-03-17
53GLM 5.3 Flashmax21.0%52.42026-08-20
54Gemini 3 Pro20.0%60.02025-11-18
55Claude Sonnet 4.519.0%53.82025-09-29
56GPT-5high18.0%58.22025-08-07
57MiniMax M318.0%56.12026-06-01
58Beam 1.018.0%45.92026-10-05
59Muse Spark17.0%64.22026-04-08
60MiMo-V2.516.0%56.3–

更多数学基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《ProofBench 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/proofbench。

ProofBench:常见问题

ProofBench 衡量的是什么?
ProofBench 要求对竞赛和本科阶段的定理给出完整的书面证明,而不只是最终答案,并按严谨性和完整性评分。分数以完成任务的百分比表示,越高越好。
ProofBench 的最高分是多少?
截至 2026年11月16日,ProofBench 的最高分为 100.0%,由 Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1 和 Claude Sonnet 5.5 并列取得,领先于 GPT-6 Astra(99.0%)。分数来自 Vals AI,每天重新读取。
哪个 AI 模型在 ProofBench 上领先?
截至 2026年11月16日,Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1 和 Claude Sonnet 5.5 以 100.0% 并列 ProofBench 第一。
有多少模型有 ProofBench 结果?
BenchLeader 上有 85 个模型配置有 ProofBench 结果,全部取自 Vals AI(经由 Epoch AI Benchmarking Hub)。
ProofBench 由谁运行,多久更新一次?
ProofBench 由 Vals AI 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
ProofBench 是否计入 BenchLeader Index?
计入。ProofBench 计入 BenchLeader Index 的数学类别,并经过归一化,使参评模型的平均值为 50。