AIME、MATH、GSM8K——LLM数学评测很多。但问题：这些题模型可能在预训练时已见过。
Soohak换了思路：43位数学家手工出题，不在网上，考纯推理能力。
主要来源：arXiv:2605.09063
Похожие материалы
Aider на 44K звёзд: AI-парное программирование в терминале — работает ли на самом деле?
Aider坚持纯终端路线，44.8K star 证明这条路有人走。和 GUI 类编程 Agent 相比，它的优势和短板分别在哪？
Cline на 60K звёзд: автономный агент для программирования переходит на SDK — стоит ли внимания?
Cline превратился из расширения VS Code в стратегию SDK + IDE + CLI. 61.7K звёзд — это хайп или реальность? Мы протестировали.
Codegraph: Локальный граф знаний для Claude Code — меньше токенов, меньше вызовов инструментов
Codegraph заменяет семантический поиск на преиндексированный граф знаний кода, помогая Claude Code тратить меньше токенов и делать меньше вызовов инструментов в больших проектах.