Beste KI für Mathe: Gemini führt bei AIME, doch Benchmarks erzählen nicht die ganze Geschichte

Das wichtigere Muster: Mehrere Frontier-Modelle liegen bei Wettbewerbsaufgaben inzwischen sehr dicht beieinander. BenchLM berichtet, dass Topmodelle bei AIME 2025 über 95 % und bei HMMT 2025 über 90 % erreichen. Wenn die Ergebnisse so eng sind, kann in der Praxis anderes wichtiger werden als ein kleiner Vorsprung auf einer Rangliste: Erklärqualität, Konstanz, Antwortzeit, Preis und die Frage, ob das Modell mit dem eigenen Aufgabenformat gut zurechtkommt.

Der große Vorbehalt: öffentliche Benchmarks können verzerrt sein

AIME ist ein nützliches Signal, aber kein perfekter Test für frisches mathematisches Denken. Vals AI weist darauf hin, dass AIME-Fragen und -Antworten öffentlich verfügbar sind. Dadurch besteht das Risiko, dass Modelle ihnen bereits im Training begegnet sind.

Vals AI berichtet außerdem, dass Modelle bei älteren Fragen aus dem Jahr 2024 tendenziell besser abschneiden als beim neueren Set von 2025. Das wirft Fragen zu Datenkontamination und echter Generalisierung auf. Praktisch heißt das: Ein sehr hoher AIME-Wert zeigt Benchmark-Stärke, garantiert aber nicht dieselbe Verlässlichkeit bei neuen, privaten oder ungewöhnlich formulierten Aufgaben.

Welche KI passt zu welchem Mathe-Zweck?

Besser als nur Leaderboards: ein eigener kleiner Test

Für Schulmathematik, Nachhilfe, Wettbewerbsvorbereitung oder einen mathematiklastigen Produktworkflow sind öffentliche Ranglisten ein guter Startpunkt. Sie sollten aber nur die Vorauswahl liefern. Sinnvoller ist ein kurzer Praxistest mit denselben frischen Aufgaben für alle Kandidaten:

1. Geben Sie jedem Modell identische, möglichst neue Aufgaben.
2. Verlangen Sie nicht nur das Endergebnis, sondern auch eine nachvollziehbare Herleitung.
3. Bitten Sie, wo passend, um eine Kontrolle durch Einsetzen, eine alternative Methode oder eine numerische Prüfung.
4. Bewerten Sie fehlerhafte Begründungen gesondert — nicht nur falsche Endergebnisse.
5. Wählen Sie das Modell, das bei Ihrem tatsächlichen Aufgabentyp korrekt, verständlich und konstant arbeitet.

Das ist wichtig, weil Mathe nicht gleich Mathe ist. Ein Modell kann bei kurzen Wettbewerbsaufgaben stark sein, aber für schrittweise Nachhilfe, symbolisches Umformen, lange Beweise oder codegestützte quantitative Arbeit weniger gut passen.

Fazit

Für AIME-artige Benchmark-Mathematik ist Gemini 3.1 Pro Preview in der Vals-AI-Liste mit 98,13 % Genauigkeit der führende Kandidat. Für die breitere Frage nach der besten KI für Mathematik reicht die Evidenz nicht für einen universellen Sieger: Die Topmodelle liegen bei Wettbewerbsbenchmarks eng beieinander, Ranglisten unterscheiden sich, und öffentlich verfügbare AIME-Daten sind ein guter Grund, jedes Modell zusätzlich mit frischen Aufgaben zu testen.