不同难度数学题，AI正确率差多少？实测7个模型：差距主要不在对错，在算力

先把结论放在前面：在这轮测试里，6个旗舰模型做小学应用题和高中基础题，正确率都是100%；到了AIME和HMMT，正确率开始分化，但掉下去的主要不是“做错”，而是“没做完”。单题预算设为2万token、10分钟，有模型直接卡在半路。

我们选了40道题，按难度分成四层：小学应用题（GSM8K）、高中基础（MATH-500）、AIME 2026、HMMT Feb 2026，每层10道，全部是整数答案，方便统一判分。参赛的是6个旗舰模型：GPT-6 Astra、Claude Opus 5.5、Gemini 3.1 Pro、DeepSeek V4 Pro、Qwen3.8 Max、Kimi K3.1 Pro；另加一个轻量模型Gemini 3.5 Flash Lite做对照。禁用工具、代码和搜索，每题只跑一次，不重试、不投票。

注：正确=最终答案正确；未完成=没有给出最终答案。超时或超预算但已经写出答案的，仍按答案判分。

前两层没有悬念。7个模型、140次作答，全对。这个结果不新鲜：GSM8K和MATH是已经被刷了多年的老基准，头部模型早已饱和。 真正的分化从AIME开始。Gemini 3.1 Pro有两题想到2万token还没收尾；DeepSeek V4 Pro有一题超过10分钟没返回；Kimi K3.1 Pro错了一题，把279写成了280。除此之外，给出最终答案的题几乎都对了。刘聪NLP

HMMT是比AIME再高一档的竞赛，题目更活、更少套路。 它把分化放大。GPT-6 Astra和Claude Opus 5.5都是10/10；Gemini 3.1 Pro和DeepSeek V4 Pro都是6/10，各有4题没给出最终答案；Qwen3.8 Max 5/10，5题卡在2万token；Kimi K3.1 Pro 7/10，3题超时。看上去差距很大，但把“没做完”的题拿掉，已完成的题几乎全对。它们不是不会做，是在预算内做不完。知乎

代价写在token账单上。GPT-6 Astra从小学题的30个输出token，涨到HMMT的554个；Claude从160涨到3505；Gemini从513涨到接近2万；Qwen在HMMT的中位数直接顶到2万上限，中位耗时508秒。难度每升一级，多数模型要多花十几倍到上百倍的算力，才能把正确率维持在原来的水平。

轻量模型是另一种故事。Gemini 3.5 Flash Lite在小学和高中也是10/10，但AIME只对7题，HMMT只对4题，而且不是没做完，是直接做错：HMMT第1题它算出450，正确答案是1230。对它来说，难度曲线是真的往下掉。

这也解释了为什么“AI数学”的新闻总是互相打架。一边是2026年IMO，Claude Fable 5、GPT-5.6 Sol、Kimi K3三款模型在6道题上拿到42/42满分；另一边，整场测试能耗到几十万甚至上百万token，Kimi在P3一题上就跑了491分钟。 正确率的背后，是一张越来越长的算力账单。新智元

FrontierMath Tier 4更直接。2025年7月刚推出时，最高分约5%；2026年9月，GPT-6 Astra已经到97.6%，Epoch AI宣布这个层级饱和。但饱和的只是“已经公开、已经被反复研究”的题：FrontierMath Erdős的68道开放题，Astra只解决2道。量子位

在10道从未公开的研究级题目上，表现最好的参赛系统也只答对6道。 这些题没有现成的训练数据可背，也没有“标准解法”可套，差距立刻回来了。知乎

所以，回到最初的问题：不同难度数学题，AI正确率差多少？对旗舰模型，答案接近“不差”——差的是你愿不愿意给它几分钟和几万token；对轻量模型，答案是从100%掉到70%、再到40%；对没见过的题，答案是最好的模型也只对六成。难度没有消失，它只是从“对不对”，变成了“做不做得完、见没见过”。

陶哲轩把这类批量产出、未经整理的证明称为“有毒废料”。 当基准分数越来越像一场算力竞赛，正确率已经不能单独说明AI到底懂了多少。DeepTech深科技

最后交代局限：每层只有10道题，且只选了整数答案，这类题通常也更容易判分；AIME和HMMT 2026已经公开数月，不能排除训练数据污染。这里的正确率是上限，不是AI的绝对能力。