Warum dieser Benchmark nützlich ist
Historisches Wettbewerbs-Mathe-Signal — einst nützlich für hartes Ganzzahl-Reasoning. Für Frontier-Modelle mit Extended Thinking gelöst; für Kontext behalten, nicht für aktuelle Rangordnung.
American Invitational Mathematics Examination
AIME
Schwere Schulwettbewerbs-Mathematik: 15 Aufgaben mit Ganzzahl-Antwort pro Prüfung. Als Reasoning-Eval genutzt, weil jedes neue Paper anfangs kontaminationsresistent ist — bis es durchsickert.
Was dieser Benchmark nicht misst
- Winzige Stichprobe (15 Aufgaben/Jahr) — eine Aufgabe ist ~6,7 %, Einzelläufe sind verrauscht; pass@k oder mehrere Seeds verlangen.
- Allgemeine Fähigkeit — starke AIME-Werte korrelieren mit Reasoning-Training, nicht mit Alltagsnutzen.
- Welches Jahr — '90 % bei AIME' ist ohne Prüfungsjahr und Versuchszahl bedeutungslos.
Abdeckung
- Aufgabenfamilie
- Mathe
- Format
- 15 Aufgaben, Ganzzahl-Antworten 0-999; berichtet als Genauigkeit auf AIME 2024/2025.
- Bewertung
- Genauigkeit (oft pass@1 oder cons@64).
- Verantwortliche Stelle
- MAA (exam) · used as an LLM eval
So liest du die Scores
Nutze keine AIME-Headlines nahe 100 %, um heutige Frontier zu trennen. Winzige Jahresstichproben (15 Aufgaben) sind verrauscht; Prüfungsjahr und Versuchszahl immer nennen.
Was er nicht abdeckt
- Winzige Stichprobe (15 Aufgaben/Jahr) — eine Aufgabe ist ~6,7 %, Einzelläufe sind verrauscht; pass@k oder mehrere Seeds verlangen.
- Allgemeine Fähigkeit — starke AIME-Werte korrelieren mit Reasoning-Training, nicht mit Alltagsnutzen.
- Welches Jahr — '90 % bei AIME' ist ohne Prüfungsjahr und Versuchszahl bedeutungslos.
Scores
37 ZeilenEvidenz-Ledger
3737 Zeilen
98.67%bester Score
31quellgeprüft
3Quellen
2026-09-01bis 2024-09-12
Wo die Zeilen liegen
0255075100
Auf die Skala dieses Benchmarks normalisiert (0–100). Die Tabelle zeigt die Rohwerte.
Neueste Belege
- GPT-5 Codex (high)98.67% ·
- Gemini 3 Flash Preview (Reasoning)97% ·
- GPT-5.2 (medium)96.67% ·
- MiMo-V2-Flash (Reasoning)96.33% ·
- Gemini 3 Pro95.67% ·
Scores nutzen die eigene Einheit und Skala dieses Benchmarks, keinen universellen Qualitätswert.
| # | Modell | Veröffentlichung | Score | Herkunft | Beleglage |
|---|---|---|---|---|---|
| 1 | GPT-5 Codex (high)OpenAI | 2025-09-23 | 98.67% | 2026-09-01 | Quelle geprüft |
| 2 | Gemini 3 Flash Preview (Reasoning)Google | 2025-12-17 | 97% | 2026-09-01 | Quelle geprüft |
| 3 | GPT-5.2 (medium)OpenAI | 2025-12-11 | 96.67% | 2026-09-01 | Quelle geprüft |
| 4 | MiMo-V2-Flash (Reasoning)Xiaomi | 2025-12-16 | 96.33% | 2026-09-01 | Quelle geprüft |
| 5 | Gemini 3 ProGoogle | 2025-11-18 | 95.67% | 2026-09-01 | Quelle geprüft |
| 6 | GPT-5.1 Codex (high)OpenAI | 2025-11-13 | 95.67% | 2026-09-01 | Quelle geprüft |
| 7 | GLM-4.7 (Reasoning)Zhipu | 2025-12-22 | 95% | 2026-09-01 | Quelle geprüft |
| 8 | Kimi K2 ThinkingMoonshot | 2025-11-06 | 94.67% | 2026-09-01 | Quelle geprüft |
| 9 | GPT-5 (high)OpenAI | 2025-08-07 | 94.33% | 2026-09-01 | Quelle geprüft |
| 1 | Claude Opus 4.8AnthropicAIME 2024 with extended thinking. | 2026-05-28 | 94.2% | Anthropic Claude 4 family2026-05-28 | Prüfung nötig |
| 11 | GPT-5.1OpenAI | 2025-11-13 | 94% | 2026-09-01 | Quelle geprüft |
| 2 | Claude 3.7 Sonnet (2025-02)AnthropicAIME 2024 with extended thinking enabled. | 2025-02-19 | 93.7% | Anthropic Claude 3.7 Sonnet announcement2025-02-19 | Quelle geprüft |
| 13 | Grok 4xAI | 2025-07-10 | 92.67% | 2026-09-01 | Quelle geprüft |
| 14 | DeepSeek V3.2 (Reasoning)DeepSeek | 2025-12-01 | 92% | 2026-09-01 | Quelle geprüft |
| 3 | GPT 5.5OpenAI | 2026-04-23 | 91.8% | OpenAI model release notes2026-04-23 | Prüfung nötig |
| 16 | GPT-5 (medium)OpenAI | 2025-08-07 | 91.67% | 2026-09-01 | Quelle geprüft |
| 17 | Claude Opus 4.5 (Reasoning)Anthropic | 2025-11-24 | 91.33% | 2026-09-01 | Quelle geprüft |
| 4 | GPT 5OpenAI | 2025-12-11 | 89.2% | OpenAI model release notes2025-12-01 | Prüfung nötig |
| 5 | DeepSeek R1DeepSeekAIME 2024 with chain-of-thought. | 2025-01-20 | 88.4% | DeepSeek R1 model card2025-01-20 | Prüfung nötig |
| 20 | OpenAI o3OpenAI | 2025-04-16 | 88.33% | 2026-09-01 | Quelle geprüft |
| 21 | Claude 4.5 Sonnet (Reasoning)Anthropic | 2025-09-29 | 88% | 2026-09-01 | Quelle geprüft |
| 6 | Gemini 3.1 ProGoogle | 2026-02-19 | 87.6% | Google Gemini 3.1 Pro2026-02-19 | Prüfung nötig |
| 7 | o3 (cons@64, AIME 2025)OpenAIAIME 2025 paper; 64-sample consensus. Single-shot is markedly lower. | 2025-04-16 | 87.5% | OpenAI: Learning to Reason2025-01-20 | Quelle geprüft |
| 24 | Gemini 3 Pro Preview (low)Google | 2025-11-18 | 86.67% | 2026-09-01 | Quelle geprüft |
| 9 | Kimi K2.6Moonshot | 2026-04-20 | 85.2% | Moonshot Kimi K2.62026-04-20 | Prüfung nötig |
| 10 | OpenAI o1 (AIME 2024, cons@64)OpenAIWith 64-sample consensus; single-shot is markedly lower. | 2024-09-12 | 83.3% | OpenAI: Learning to Reason2024-09-12 | Quelle geprüft |
| 27 | GPT-5 (low)OpenAI | 2025-08-07 | 83% | 2026-09-01 | Quelle geprüft |
| 28 | MiniMax-M2.1MiniMax | 2025-12-23 | 82.67% | 2026-09-01 | Quelle geprüft |
| 29 | Claude 4.1 Opus (Reasoning)Anthropic | 2025-08-05 | 80.33% | 2026-09-01 | Quelle geprüft |
| 30 | Claude 4 Opus (Reasoning)Anthropic | 2025-05-22 | 73.33% | 2026-09-01 | Quelle geprüft |
| 31 | Claude Opus 4.5Anthropic | 2025-11-24 | 62.67% | 2026-09-01 | Quelle geprüft |
| 32 | Gemini 3 Flash PreviewGoogle | 2025-12-17 | 55.67% | 2026-09-01 | Quelle geprüft |
| 33 | Mistral Large 3Mistral | 2025-12-02 | 38% | 2026-09-01 | Quelle geprüft |
| 34 | Llama 4 MaverickMeta | 2026-04-05 | 19.33% | 2026-09-01 | Quelle geprüft |
| 35 | Llama 4 ScoutMeta | 2026-04-05 | 14% | 2026-09-01 | Quelle geprüft |
| 36 | Command ACohere | 2026-03-15 | 13% | 2026-09-01 | Quelle geprüft |
| 37 | Claude 3 OpusAnthropic | 2024-03-04 | 3.33% | 2026-09-01 | Quelle geprüft |
Was er abdeckt
Archiviert — GPT-5.2 und Peers melden 100 % auf aktuellen AIME-Papieren mit Extended Thinking. Als gelöst behandeln, nicht als Frontier-Trenner. /benchmarks/frontiermath bevorzugen.
Wo er an Grenzen stößt
Noch ist keine Obergrenze erfasst. Wenn sich Scores oben bündeln, kann der Benchmark Frontier-Modelle möglicherweise nicht mehr trennen.
Belege
Quellen und weiterführende Lektüre
- OpenAI-o1-Ankündigung· geprüft 2026-05-30
Fragen zu diesem Benchmark
Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.
Was misst AIME?
Schwere Schulwettbewerbs-Mathematik: 15 Aufgaben mit Ganzzahl-Antwort pro Prüfung. Als Reasoning-Eval genutzt, weil jedes neue Paper anfangs kontaminationsresistent ist — bis es durchsickert.
Was beweist ein hoher AIME-Wert nicht?
Ein starkes AIME-Ergebnis sagt nichts aus über:
- Winzige Stichprobe (15 Aufgaben/Jahr) — eine Aufgabe ist ~6,7 %, Einzelläufe sind verrauscht; pass@k oder mehrere Seeds verlangen.
- Allgemeine Fähigkeit — starke AIME-Werte korrelieren mit Reasoning-Training, nicht mit Alltagsnutzen.
- Welches Jahr — '90 % bei AIME' ist ohne Prüfungsjahr und Versuchszahl bedeutungslos.
Wie wird AIME bewertet?
Genauigkeit (oft pass@1 oder cons@64). Aufgabenformat: 15 Aufgaben, Ganzzahl-Antworten 0-999; berichtet als Genauigkeit auf AIME 2024/2025.
Ist AIME gesättigt?
AIME ist im Atlas derzeit als Ausgedient markiert.
Können AIME-Ergebnisse durch Trainingsdaten verunreinigt sein?
Das Kontaminationsrisiko für AIME ist als Kontamination mittel eingestuft. Behandle jede Zeile auf dieser Seite als öffentliche Angabe mit Quelle und Datum, nicht als kontrolliertes Experiment.
The Pack · Redaktionsnewsletter
Neue Tools in dein Postfach. Kostenlos.
Eine kurze E-Mail, wenn ein Tool erscheint oder den Status wechselt. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.