数学评测（GSM8K 类）

一句话理解

给 AI 出数学卷子——从小学应用题到奥赛题，答案唯一可判，是检验模型“真推理”的主战场。

定义

数学评测用答案唯一的题目集考察推理能力：GSM8K（小学应用题八千余道）是老标杆，MATH、AIME 等逐步加难；推理模型时代又出现了研究级难题集。判分只看最终答案对不对，过程可以千姿百态。

你会在哪遇到它

推理模型（词条 867）发布会的成绩单；讨论“模型数学到什么水平”的文章；o 系列词条（1017）里出现的那串分数。

背后的原理

简单题靠思维链（863）逐步推理后给答案，判分时提取最后的数值做比对。防作弊设计是关键：题目不能混入训练集（否则就是评测集污染 1045），答案用程序校验，部分评测还要求写出可验证的解题过程。高难度题上，会用代码与工具的模型和纯文本模型差距巨大。

和相近概念的区别

1 与代码评测：都是可自动判题，数学对答案、代码跑测试。 2 与人类偏好评估：一个有标准答案，一个纯主观比较。 3 与推理模型：数学分数是推理模型最直观的展示位，但分数高不等于实际会用的好。

常见误区

1 会做题就会推理——换套题型就露馅的“考试型选手”一直存在。 2 分数可跨榜比较——题目难度、提示词与判分规则不同，数字不能硬比。 3 数学等于全部智力——它只是能力切面之一，写作与沟通不在卷子上。