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。
- 1Claude Fable 5.2 (max)100.0%
- 2Claude Opus 5.5 (max)100.0%
- 3Claude Fable 5.1 (max)100.0%
- 4Claude Sonnet 5.5 (max)100.0%
- 5GPT-6 Astra99.0%
- 6Claude Opus 5 (max)99.0%
- 7Gemini 4 Argon99.0%
- 8GPT-6.1 Sol99.0%
- 9Claude Fable 5 (max)95.0%
- 10Kimi K3.1 Pro91.0%
- 11Claude Haiku 5.5 (max)89.0%
- 12Kimi K387.0%
- 13Muse Wonder84.0%
- 14GPT-5.6 Sol (max)83.0%
- 15GPT-6 Sol83.0%
85 / 85
| # | ||||
|---|---|---|---|---|
| 1 | 新 | 100.0% | 72.7 | 2026-11-09 |
| 2 | 100.0% | 68.4 | 2026-09-22 | |
| 3 | 100.0% | 66.7 | 2026-09-01 | |
| 4 | 100.0% | 64.2 | 2026-09-28 | |
| 5 | 99.0% | 66.4 | 2026-09-03 | |
| 6 | 99.0% | 65.0 | 2026-07-24 | |
| 7 | 99.0% | 64.4 | 2026-10-13 | |
| 8 | 99.0% | 62.0 | 2026-09-29 | |
| 9 | 95.0% | 65.1 | 2026-06-09 | |
| 10 | 91.0% | 61.8 | 2026-10-23 | |
| 11 | 89.0% | 55.3 | 2026-10-07 | |
| 12 | 87.0% | 60.7 | 2026-07-16 | |
| 13 | 84.0% | 64.4 | 2026-10-12 | |
| 14 | 83.0% | 65.3 | 2026-07-09 | |
| 15 | 83.0% | – | 2026-09-22 | |
| 16 | 77.0% | 56.1 | 2026-06-30 | |
| 17 | 75.0% | 56.7 | 2026-08-28 | |
| 18 | 74.0% | 60.1 | 2026-07-09 | |
| 19 | 70.0% | 57.5 | 2026-09-21 | |
| 20 | 69.0% | 61.1 | 2026-05-28 | |
| 21 | 64.0% | – | 2026-09-22 | |
| 22 | 63.0% | 54.8 | 2026-09-21 | |
| 23 | 60.0% | 56.2 | 2026-07-09 | |
| 24 | 58.0% | 60.6 | 2026-09-02 | |
| 25 | 58.0% | 58.7 | 2026-08-02 | |
| 26 | 58.0% | – | 2026-08-13 | |
| 27 | 56.0% | 63.1 | 2026-03-05 | |
| 28 | 56.0% | 53.8 | 2026-07-31 | |
| 29 | 55.0% | 61.6 | 2026-09-02 | |
| 30 | 54.0% | 59.7 | 2026-04-16 | |
| 31 | 54.0% | – | 2026-09-09 | |
| 32 | 51.0% | – | 2026-08-12 | |
| 33 | 50.0% | 64.1 | 2026-04-23 | |
| 34 | 50.0% | 57.0 | 2026-02-05 | |
| 35 | 50.0% | 53.0 | 2026-08-13 | |
| 36 | 49.0% | 58.8 | 2026-08-14 | |
| 37 | 48.0% | 56.4 | 2026-09-02 | |
| 38 | 45.0% | 56.1 | 2026-02-17 | |
| 39 | 43.0% | – | 2026-08-05 | |
| 40 | 42.0% | 56.0 | 2026-09-18 | |
| 41 | 39.0% | 62.2 | 2026-07-09 | |
| 42 | 36.0% | 57.1 | 2025-11-24 | |
| 43 | 36.0% | 49.3 | 2026-07-21 | |
| 44 | 35.0% | 58.9 | 2026-06-16 | |
| 45 | 31.0% | 62.5 | 2026-05-19 | |
| 46 | 31.0% | 56.8 | 2026-07-08 | |
| 47 | 26.0% | 60.0 | 2026-05-19 | |
| 48 | 26.0% | 59.9 | 2026-02-19 | |
| 49 | 26.0% | – | 2026-09-21 | |
| 50 | 22.2% | 55.4 | 2026-04-07 | |
| 51 | 22.0% | 55.5 | – | |
| 52 | 21.0% | 55.1 | 2026-03-17 | |
| 53 | 21.0% | 52.4 | 2026-08-20 | |
| 54 | 20.0% | 60.0 | 2025-11-18 | |
| 55 | 19.0% | 53.8 | 2025-09-29 | |
| 56 | 18.0% | 58.2 | 2025-08-07 | |
| 57 | 18.0% | 56.1 | 2026-06-01 | |
| 58 | 18.0% | 45.9 | 2026-10-05 | |
| 59 | 17.0% | 64.2 | 2026-04-08 | |
| 60 | 16.0% | 56.3 | – |
相关基准测试
ProofBench 上的热门模型对比
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。