BenchLeader

MGSM 排行榜

截至 2026年11月16日,MGSM 的最高分为 95.2%,由 Claude Opus 4.5(Anthropic)取得,领先于 Claude Opus 4.1(94.4%)。共有 73 个模型配置公布了结果(Vals AI,结果日期 2026年1月9日)。MGSM 把小学数学应用题翻译成十种语言,测试推理能力在英语之外是否依然可靠。MGSM 计入 BenchLeader Index 的数学得分。

要点(截至 2026年11月16日)

  • Claude Opus 4.5 以 95.2% 保持 MGSM 最高分(Vals AI,2026年1月9日)。
  • Claude Opus 4.1 以 94.4% 位列 MGSM 第二(Vals AI,2026年1月9日)。
  • MGSM:十种语言的小学数学题。由 Vals AI 运行(Vals AI)。
  • BenchLeader 上有 73 个模型配置公布了 MGSM 结果(BenchLeader,2026年11月16日)。
  • MGSM 计入 BenchLeader Index 的数学类别(BenchLeader 方法论)。

十种语言的小学数学题。由 Vals AI 运行。

发布方
Vals AI
类别
数学
Index 权重
0.5
模型
73
数据截至
2026年11月16日

Vals AI (vals.ai).

测试内容

MGSM 把小学数学应用题翻译成十种语言,测试推理能力在英语之外是否依然可靠。

评分方式

各语言准确率的平均值,由 Vals AI 运行。

注意事项

这些题目对前沿模型来说很简单,所以分数主要反映语言覆盖;在英语上已经饱和。

73 / 73
#
1Claude Opus 4.5thinking95.2%59.3$0.0632026-01-09
2Claude Opus 4.594.8%57.1$0.0272026-01-09
3Claude Opus 4.1thinking94.4%58.1$0.0552026-01-09
4Claude Sonnet 4.5thinking94.3%52.3$0.0112026-01-09
5Claude Opus 4.194.2%51.1$0.0272026-01-09
6GPT-5.2xhigh94.0%59.9$0.0112026-01-09
7Gemini 3 Prohigh93.9%60.0$0.0182026-01-09
8Claude Opus 493.8%51.9$0.0272026-01-09
9o4-minihigh93.4%51.2$0.00292026-01-09
10Gemini 3 Flashhigh93.3%57.4$0.00712026-01-09
11Claude Sonnet 493.0%50.0$0.00582026-01-09
12GPT-5.1high93.0%57.5$0.00612026-01-09
13Claude 3.7 Sonnetthinking93.0%52.9$0.0262026-01-09
14GPT-5high92.8%58.2$0.0142026-01-09
15GPT-5 minihigh92.6%54.6$0.00372026-01-09
16Claude 3.5 Sonnet92.6%46.8$0.00402026-01-09
17Qwen3 235B A22B92.5%50.1$0.00112026-01-09
18Llama 4 Maverick92.4%41.8$0.00022026-01-09
19Claude 3.7 Sonnet92.4%49.2$0.00572026-01-09
20DeepSeek R192.3%47.2$0.00412026-01-09
21Qwen3 Maxmax92.2%54.2$0.00232026-01-09
22Claude Haiku 4.5thinking92.2%45.7$0.00692026-01-09
23DeepSeek V392.2%44.3$0.00042026-01-09
24gpt-oss-120b92.0%46.1$0.00072026-01-09
25o3high91.8%55.1$0.00382026-01-09
26DeepSeek V3 032491.7%46.9$0.00042026-01-09
27Grok 391.3%50.9$0.00572026-01-09
28o3-minihigh91.3%47.9$0.00822026-01-09
29Llama 3.3 70B91.1%39.9$0.00052026-01-09
30Kimi K291.0%51.1$0.00102026-01-09
31Grok 490.9%58.1$0.0262026-01-09
32Claude Sonnet 4thinking90.9%53.8$0.0152026-01-09
33Grok 4 Fastthinking90.9%51.6$0.00062026-01-09
34DeepSeek V3.290.9%50.2$0.00012026-01-09
35Mistral Medium 390.9%44.3$0.00052026-01-09
36GLM-4.590.8%51.6$0.00632026-01-09
37GPT-4ohigh90.7%41.6$0.00292026-01-09
38Grok 3 Mini Fasthigh90.4%53.7$0.00082026-01-09
39Grok 3 Mini Fastlow90.4%50.7$0.00052026-01-09
40Kimi K2 Thinkingthinking90.2%52.3$0.00092026-01-09
41Gemini 2.5 Flash 09 202589.8%47.5$0.00102026-01-09
42Gemini 2.5 Flash 09 2025thinking89.8%52.8$0.00102026-01-09
43GLM-4.689.8%50.2$0.00432026-01-09
44Grok 4.1 Fastthinking89.5%55.3$0.00052026-01-09
45Gemini 2.5 Flash Lite 0989.5%46.8$0.00022026-01-09
46o1high89.3%49.5$0.0572026-01-09
47GPT-5 nanohigh89.3%47.4$0.00192026-01-09
48Gemini 1.5 Pro 00289.2%41.4$0.00102026-01-09
49gpt-oss-20b89.0%44.5$0.00052026-01-09
50Gemini 2.0 Flash89.0%43.5$0.00012026-01-09
51Gemini 2.5 Flash Lite 09thinking88.4%49.6$0.00012026-01-09
52GLM 4.788.2%51.7$0.00432026-01-09
53Grok 4 Fast无推理88.0%45.6$0.00032026-01-09
54Llama 4 Scout88.0%38.2$0.00012026-01-09
55MiniMax-M2.187.8%53.8$0.00132026-01-09
56GPT-4.1 minihigh87.8%46.3$0.00042026-01-09
57GPT-4.1high87.7%46.6$0.00172026-01-09
58Grok 4.1 Fast无推理87.6%43.1$0.00012026-01-09
59Mistral Large 2.187.2%42.5$0.00302026-01-09
60Gemini 1.5 Flash 00286.6%38.2$0.00012026-01-09

更多数学基准测试 · 全部大模型基准测试

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

MGSM:常见问题

MGSM 衡量的是什么?
MGSM 把小学数学应用题翻译成十种语言,测试推理能力在英语之外是否依然可靠。分数以完成任务的百分比表示,越高越好。
MGSM 的最高分是多少?
截至 2026年11月16日,MGSM 的最高分为 95.2%,由 Claude Opus 4.5 取得(结果日期 2026年1月9日),领先于 Claude Opus 4.1(94.4%)。分数来自 Vals AI,每天重新读取。
哪个 AI 模型在 MGSM 上领先?
截至 2026年11月16日,MGSM 排名第一的是 Claude Opus 4.5,分数为 95.2%(结果日期 2026年1月9日)。其后为 Claude Opus 4.1(94.4%)。
有多少模型有 MGSM 结果?
BenchLeader 上有 73 个模型配置有 MGSM 结果,全部取自 Vals AI。
MGSM 由谁运行,多久更新一次?
MGSM 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。
MGSM 是否计入 BenchLeader Index?
计入。MGSM 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。