DI Matematikos Arenos Lyderių Lentelė 2026

Matematikos Lyderių Lentelė

Matematika išlieka sąžiningiausiu DI etalonu. Negalite žavesiu išspręsti diferencialinės lygties ar haliucinuoti teisingo įrodymo. Atsakymas yra teisingas arba ne. Tas dvejetainis aiškumas yra tai, kas daro Math Arena etalonu, kuriuo labiausiai pasitikiu vertindamas, ar modelis tikrai gali samprotauti. Štai visi 60 reitinguotų modelių 2026 m. vasario mėn.

Google Paima Karūną

Stebėjau Google matematinio DI evoliuciją trejus metus, ir tai, ką jie pasiekė šį mėnesį, yra tiesiog įspūdinga. Gemini 3 Pro ne tik pelnė Auksą. Jis atvyko su aiškiu pranašumu prieš visus kitus. Tačiau tikrasis jėgos ėjimas? Gemini 3 Flash sėdi tiesiai už jo Sidabro pozicijoje. Google dabar Matematikos Arenoje vienu metu laiko ir Auksą, ir Sidabrą. To dar niekada nebuvo.

Tai reikšminga ne tik dėl reitingų. Tai yra architektūros strategija. Gemini 3 Pro yra sunkiasvoris, sukurtas maksimaliam samprotavimo gyliui, modelis, kurį nukreipiate į tyrimų lygio įrodymus ir daugiapakopius išvedimus. Gemini 3 Flash yra optimizuotas greičiui ir kainai. Faktas, kad greičiui optimizuotas modelis gali konkuruoti Sidabro lygiu, mums sako, kad Google išsiaiškino kažką fundamentalaus apie tai, kaip pagreitinti matematinį samprotavimą neaukojant tikslumo. Minimalaus mąstymo (thinking-minimal) variantas 8-oje vietoje siūlo dar vieną kainos ir našumo kompromisą, o senesni darbiniai arkliukai, tokie kaip Gemini 2.5 Pro 12-oje ir Gemini 2.5 Flash 46-oje vietoje, ir toliau patikimai tarnauja.

Mano prognozė: Google išlaikys šią lyderystę bent jau iki 2026 m. vidurio. Jų požiūris integruoti matematinį samprotavimą kaip pagrindinį gebėjimą visoje produktų linijoje, o ne sutelkti jį viename flagmane, duoda sudėtinius dividendus. Jei kuriate bet ką, kam reikia patikimo matematinio skaičiavimo, nuo finansinio modeliavimo iki mokslinio modeliavimo, Gemini dabar turėtų būti jūsų pirmasis pasirinkimas.

Moonshot Staigmena

Štai istorija, kurios niekas nerašė prieš tris mėnesius. Moonshot Kimi K2.5 Thinking nusileido 3-ioje vietoje, surinkęs tiek pat taškų, kiek ir Gemini 3 Flash Sidabro pozicijai. Leiskite tam įsigerti. Modelis iš startuolio, įkurto 2023 m., matematiškai lygus antram geriausiam Google pasiūlymui.

Aš plačiai testavau Kimi K2.5 Thinking, ir kas mane stebina, tai jo požiūris į išplėstinį samprotavimą. Kur kiti mąstantys modeliai kartais sukuria daugžodžiaujančias minčių grandines, kurios sukasi aplink problemą prieš nusileisdamos, Kimi samprotavimas atrodo beveik nervinančiai tiesioginis. Jis greitai nustato pagrindinę matematinę struktūrą, tada kuria sprendimą su minimaliais nukrypimais. Konkurso stiliaus problemoms, kur reikia tiek tikslumo, tiek švarios loginės grandinės, tas tiesiogumas yra tikras privalumas.

Moonshot į geriausiųjų 60-tuką įdeda tris modelius: Kimi K2.5 Thinking 3-ioje vietoje, Kimi K2 Thinking Turbo 16-oje ir Kimi K2 39-oje. Trys lygiai, viena architektūros filosofija. Toks startuolio kelių lygių buvimas yra beprecedentis. Žinia aiški: era, kai tik trilijonų dolerių vertės įmonės galėjo sukurti pasaulinio lygio matematinį DI, baigėsi. Kryptingos mokslinių tyrimų investicijos į samprotavimo architektūrą gali konkuruoti su didžiuliais skaičiavimo biudžetais. Tikėkitės, kad daugiau laboratorijų seks šiuo pavyzdžiu per 2026 m.

OpenAI Po Sosto

Leiskite man būti tiesiam. GPT-5.2 High, kuris laikė Auksą nuo savo debiuto, dabar sėdi 4-oje vietoje, lygiosiomis su Claude Opus 4.5. Karūna buvo atimta. Bet prieš kam nors rašant nekrologą, pažiūrėkite į visą paveikslą.

OpenAI vis dar turi dvylika modelių geriausiųjų 60-tuke, daugiau nei bet kuri kita organizacija. Tai nėra krizės ištikta įmonė. Tai įmonė, turinti tokį ekosistemos gylį, kad net praradus 1-ąją vietą, ji dominuoja vidutiniuose ir aukštesniuose lygiuose. GPT-5.1 High užima 6-ąją vietą. o3 samprotavimo modelis 11-oje vietoje išlieka mano pasirinkimu konkurso lygio problemoms, reikalaujančioms gilaus daugiapakopio skaičiavimo. GPT-5 High 17-oje, standartinis GPT-5.2 18-oje ir o4-mini 36-oje vietoje suteikia kūrėjams pasirinkimų kiekviename kainų lygyje ir vėlavimo reikalavime.

Žvelgiant į priekį, tikiu, kad OpenAI atsakymas ateis greitai. Atotrūkis tarp GPT-5.2 High ir Gemini 3 Pro nėra neįveikiamas, o OpenAI modelis visada buvo agresyviai kartoti po prarasto pagrindo. Nenustebčiau pamatęs GPT-5.3 arba reikšmingą samprotavimo atnaujinimą prieš vasarą. Gilesnė istorija čia nėra kritimas. Tai yra tai, kad Matematikos Arenos viršūnė dabar yra tokia aršiai konkurencinga, jog norint išlaikyti 1-ąją vietą, reikia nuolatinių inovacijų, o ne vieno stipraus išleidimo.

Mąstančių Modelių Revoliucija

Nuskaitykite šios lyderių lentelės dešimtuką ir suskaičiuokite, kiek modelių pavadinimų turi žodį „thinking“ (mąstantis). Atsakymas iškalbingas: Kimi K2.5 Thinking 3-ioje vietoje, Claude Opus 4.5 Thinking 7-oje, Gemini 3 Flash thinking-minimal 8-oje, Claude Sonnet 4.5 Thinking 10-oje. Išplėskite iki 20-uko ir jie yra visur. Tai yra didžiausias struktūrinis pokytis matematinio DI srityje per pastaruosius metus.

Šie modeliai išvadų metu skiria papildomų skaičiavimų problemoms spręsti žingsnis po žingsnio, prieš įsipareigodami atsakymui. Tai DI atitikmuo matematikui, siekiančiam juodraščio prieš rašant galutinį įrodymą. Rezultatai nedviprasmiški: mąstantys variantai nuosekliai lenkia savo standartinius atitikmenis matematinėse užduotyse.

Anthropic įgyvendinimas pasakoja šią istoriją ypač gerai. Claude Opus 4.5 Thinking-32k 7-oje vietoje lenkia standartinį Opus 4.5 5-oje vietoje, kai jam suteikiama erdvės samprotauti. Claude Sonnet 4.5 Thinking 10-oje vietoje smūgiuoja gerokai virš savo svorio kategorijos, įsiverždamas į dešimtuką, nepaisant to, kad pagal dizainą yra vidutinio lygio modelis. Anthropic iš viso į 60-tuką įdeda aštuonis modelius, o jų skiriamuoju ženklu išlieka pedagoginis aiškumas. Kai man reikia modelio, kuris ne tik išspręstų problemą, bet ir paaiškintų, kodėl sprendimas veikia taip, kad studentas galėtų iš to nuoširdžiai pasimokyti, Claude vis dar yra neprilygstamas.

Praktinė išvada paprasta: jei tikslumas svarbiau už vėlavimą, visada rinkitės mąstantį variantą. Matematinis pakilimas yra nuoseklus ir tikras. Gamybos programoms, kuriose reakcijos laikas yra kritinis, standartiniai variantai išlieka puikūs. Tačiau tyrimams, švietimui ar bet kokiam scenarijui, kur teisingo atsakymo gavimas yra svarbiausias, mąstantys modeliai yra dabartis ir ateitis.

Pasaulinis Matematikos Kraštovaizdis

Atitraukite kamerą ir šios lyderių lentelės geografija pasakoja savo istoriją. Iš 60 reitinguotų modelių, 26 yra iš Kinijos organizacijų. Tai 43 % viso lauko. Amerikos laboratorijos užima 32 vietas (53 %), o Mistral atneša Europos atstovavimą su dviem modeliais. Matematinio DI pajėgumai dabar yra tikrai daugiapoliai, ir šis poslinkis įsibėgėjo greičiau nei beveik kas nors prognozavo.

DeepSeek išsiskiria su aštuoniais modeliais geriausiųjų 60-tuke, lygiosiomis su Anthropic dėl antro didžiausio skaičiaus po OpenAI. v3.2 šeima per pozicijas #25, #26, #28 ir #56 siūlo įspūdingą asortimentą, o v3.1 serija ir mūšyje patikrintas DeepSeek R1 49-oje vietoje užpildo vidurines pakopas. Kas daro DeepSeek išskirtiniu, tai kainos ir galimybės santykis. Mano bandymuose DeepSeek V3.2 teikia 30 geriausiųjų matematinį našumą už maždaug penktadalį to, ką ima flagmanai modeliai. Komandoms, dirbančioms dideliu mastu su biudžeto apribojimais, šis santykis yra transformuojantis.

Alibaba Qwen3 šeima prisideda septyniais modeliais, nuo Qwen3 Max Preview 15-oje vietoje iki atviro svorio variantų, kuriuos kūrėjai gali tikslinti savo infrastruktūroje. Ta atviro svorio strategija yra svarbi pramonės šakoms, turinčioms duomenų suverenumo reikalavimus, ir tai yra apgalvotas ekosistemos žaidimas. xAI Grok šeima užima šešis modelius, vadovaujama Grok 4.1 Thinking 13-oje vietoje, kuris ir toliau randa elegantiškus trumpuosius kelius įrodymo stiliaus problemose. Z.ai GLM serija užima tris vietas, Baidu prisideda trimis ERNIE variantais, ir taip pat matome įrašus iš Meituan bei Tencent.

Dalyvavimo gylis ir plotis man sako, kur juda matematinis DI: tai nebėra lenktynės tarp dviejų ar trijų lyderių. Tai ekosistema, ir ekosistema kiekvieną mėnesį tampa turtingesnė. Jokia viena šalis, įmonė ar tyrimų tradicija nebegali pretenduoti į matematinio samprotavimo monopolį. Ir tiems iš mūsų, kurie kuria naudodami šiuos įrankius, ta konkurencija yra geriausias dalykas, koks galėjo nutikti.

Mano Lauko Vadovas

Po daugelio metų šių modelių testavimo visame kame, nuo olimpiadinių problemų iki realaus pasaulio inžinerinių skaičiavimų, štai klausimas, kurį kūrėjai man nuolat užduoda: kurį modelį iš tikrųjų turėčiau naudoti? Sąžiningas atsakymas visiškai priklauso nuo to, ką kuriate.