คำตอบการวิจัย
ประเด็นสำคัญ Vals AI ระบุว่า Gemini 3.1 Pro Preview เป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13% จึงเป็นตัวเลือก benchmark ที่ชัดที่สุดสำหรับโจทย์แข่งขันในแหล่งข้อมูลนี้[1] อันดับไม่ได้จบที่ลีดเดอร์บอร์ดเดียว เพราะ BenchLM รายงานว่าโมเดลหัวตารางหลายตัวทำคะแนนสูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025 ขณะที่ LLM Stats แสดง GPT 5.2 Pro และ GPT 5.2 เป็นอันดับ 1 ใน AIME 2025[2][4] AIME เป็นโจทย์สาธารณะ จึงมีความเสี่ยงเรื่องข้อมูลปนเปื้อนในการฝึกโมเดล ทางเลือกที่ปลอดภัยกว่าคือคัดรายชื่อจาก benchmark แล้วทดสอบด้วยโจทย์ใหม่ของคุณเอง[1] Best AI for Math: Gemini Leads AIME, but Benchmarks Need Context AI-generated editorial illustration of AI math benchmarking and competition-style problem solving. AI พรอมต์ Create a landscape editorial hero image for this Studio Global article: Best AI for Math: Gemini Leads AIME, but Benchmarks Need Context. Article summary: For public AIME style competition math, Vals AI’s clearest winner is Gemini 3.1 Pro Preview at 98.13% accuracy, but that does not make it the universal best because AIME is public and other leaderboards differ.[1][4]. Topic tags: ai, math, ai benchmarks, gemini, openai. Reference image context from search candidates: Reference image 1: visual subject "Gemini 3.1 Pro leads every unsaturated math benchmark: GPQA Diamond (94.1%), HLE (44.7%), and ARC-AGI-2 (77.1%) · AIME 2025 is dead as a ranking" source context "Best AI Models for Math Reasoning - April 2026 | Awesome Agents" Reference image 2: visual subject "Gemini 3.1 Pro leads every unsaturated math benchmark: GPQA Diamond (94.1%), HLE (44.7%), and ARC-AGI-2 (77.1%) · AIME 2025 is de
openai.com คำตอบสั้น ๆ คือ: ขึ้นอยู่กับว่าคุณหมายถึง “เก่งคณิต” แบบไหน
ถ้าถามเฉพาะว่า “โมเดลใดนำบนลีดเดอร์บอร์ด AIME ของ Vals AI” คำตอบที่มีหลักฐานชัดที่สุดคือ Gemini 3.1 Pro Preview ซึ่ง Vals AI ระบุว่าเป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13%
แต่ถ้าคุณจะใช้ AI เพื่อทำการบ้าน อธิบายวิธีคิด ติวสอบแข่งขัน ตรวจงานเชิงตัวเลข หรือฝังในเวิร์กโฟลว์จริง คำตอบจะไม่ง่ายเท่าการดูอันดับเดียว เพราะ benchmark แต่ละชุดวัดคนละมุม และโมเดลระดับบนหลายตัวทำคะแนนใกล้กันมาก
AIME คืออะไร และทำไมคนใช้วัด AI ด้านคณิต
AIME และ HMMT เป็นการแข่งขันคณิตศาสตร์ระดับมัธยมที่ถูกนำมาใช้เป็น benchmark เพื่อทดสอบระบบ AI ด้านโจทย์คณิตแข่งขัน
บน benchmark AIME ของ Vals AI ตอนนี้ Gemini 3.1 Pro Preview ถูกจัดเป็นโมเดลที่ทำผลงานสูงสุดที่
คนยังถาม คำตอบสั้น ๆ สำหรับ "AI ตัวไหนเก่งคณิตที่สุด? Gemini นำ AIME แต่ยังไม่มีแชมป์ครอบจักรวาล" คืออะไร Vals AI ระบุว่า Gemini 3.1 Pro Preview เป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13% จึงเป็นตัวเลือก benchmark ที่ชัดที่สุดสำหรับโจทย์แข่งขันในแหล่งข้อมูลนี้[1]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร? Vals AI ระบุว่า Gemini 3.1 Pro Preview เป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13% จึงเป็นตัวเลือก benchmark ที่ชัดที่สุดสำหรับโจทย์แข่งขันในแหล่งข้อมูลนี้[1] อันดับไม่ได้จบที่ลีดเดอร์บอร์ดเดียว เพราะ BenchLM รายงานว่าโมเดลหัวตารางหลายตัวทำคะแนนสูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025 ขณะที่ LLM Stats แสดง GPT 5.2 Pro และ GPT 5.2 เป็นอันดับ 1 ใน AIME 2025[2][4]
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ? AIME เป็นโจทย์สาธารณะ จึงมีความเสี่ยงเรื่องข้อมูลปนเปื้อนในการฝึกโมเดล ทางเลือกที่ปลอดภัยกว่าคือคัดรายชื่อจาก benchmark แล้วทดสอบด้วยโจทย์ใหม่ของคุณเอง[1]
คำตอบการวิจัย
ประเด็นสำคัญ Vals AI ระบุว่า Gemini 3.1 Pro Preview เป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13% จึงเป็นตัวเลือก benchmark ที่ชัดที่สุดสำหรับโจทย์แข่งขันในแหล่งข้อมูลนี้[1] อันดับไม่ได้จบที่ลีดเดอร์บอร์ดเดียว เพราะ BenchLM รายงานว่าโมเดลหัวตารางหลายตัวทำคะแนนสูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025 ขณะที่ LLM Stats แสดง GPT 5.2 Pro และ GPT 5.2 เป็นอันดับ 1 ใน AIME 2025[2][4] AIME เป็นโจทย์สาธารณะ จึงมีความเสี่ยงเรื่องข้อมูลปนเปื้อนในการฝึกโมเดล ทางเลือกที่ปลอดภัยกว่าคือคัดรายชื่อจาก benchmark แล้วทดสอบด้วยโจทย์ใหม่ของคุณเอง[1] Best AI for Math: Gemini Leads AIME, but Benchmarks Need Context AI-generated editorial illustration of AI math benchmarking and competition-style problem solving. AI พรอมต์ Create a landscape editorial hero image for this Studio Global article: Best AI for Math: Gemini Leads AIME, but Benchmarks Need Context. Article summary: For public AIME style competition math, Vals AI’s clearest winner is Gemini 3.1 Pro Preview at 98.13% accuracy, but that does not make it the universal best because AIME is public and other leaderboards differ.[1][4]. Topic tags: ai, math, ai benchmarks, gemini, openai. Reference image context from search candidates: Reference image 1: visual subject "Gemini 3.1 Pro leads every unsaturated math benchmark: GPQA Diamond (94.1%), HLE (44.7%), and ARC-AGI-2 (77.1%) · AIME 2025 is dead as a ranking" source context "Best AI Models for Math Reasoning - April 2026 | Awesome Agents" Reference image 2: visual subject "Gemini 3.1 Pro leads every unsaturated math benchmark: GPQA Diamond (94.1%), HLE (44.7%), and ARC-AGI-2 (77.1%) · AIME 2025 is de
openai.com คำตอบสั้น ๆ คือ: ขึ้นอยู่กับว่าคุณหมายถึง “เก่งคณิต” แบบไหน
ถ้าถามเฉพาะว่า “โมเดลใดนำบนลีดเดอร์บอร์ด AIME ของ Vals AI” คำตอบที่มีหลักฐานชัดที่สุดคือ Gemini 3.1 Pro Preview ซึ่ง Vals AI ระบุว่าเป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13%
แต่ถ้าคุณจะใช้ AI เพื่อทำการบ้าน อธิบายวิธีคิด ติวสอบแข่งขัน ตรวจงานเชิงตัวเลข หรือฝังในเวิร์กโฟลว์จริง คำตอบจะไม่ง่ายเท่าการดูอันดับเดียว เพราะ benchmark แต่ละชุดวัดคนละมุม และโมเดลระดับบนหลายตัวทำคะแนนใกล้กันมาก
AIME คืออะไร และทำไมคนใช้วัด AI ด้านคณิต
AIME และ HMMT เป็นการแข่งขันคณิตศาสตร์ระดับมัธยมที่ถูกนำมาใช้เป็น benchmark เพื่อทดสอบระบบ AI ด้านโจทย์คณิตแข่งขัน
บน benchmark AIME ของ Vals AI ตอนนี้ Gemini 3.1 Pro Preview ถูกจัดเป็นโมเดลที่ทำผลงานสูงสุดที่
คนยังถาม คำตอบสั้น ๆ สำหรับ "AI ตัวไหนเก่งคณิตที่สุด? Gemini นำ AIME แต่ยังไม่มีแชมป์ครอบจักรวาล" คืออะไร Vals AI ระบุว่า Gemini 3.1 Pro Preview เป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13% จึงเป็นตัวเลือก benchmark ที่ชัดที่สุดสำหรับโจทย์แข่งขันในแหล่งข้อมูลนี้[1]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร? Vals AI ระบุว่า Gemini 3.1 Pro Preview เป็นโมเดลอันดับหนึ่งบน AIME ด้วยความแม่นยำ 98.13% จึงเป็นตัวเลือก benchmark ที่ชัดที่สุดสำหรับโจทย์แข่งขันในแหล่งข้อมูลนี้[1] อันดับไม่ได้จบที่ลีดเดอร์บอร์ดเดียว เพราะ BenchLM รายงานว่าโมเดลหัวตารางหลายตัวทำคะแนนสูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025 ขณะที่ LLM Stats แสดง GPT 5.2 Pro และ GPT 5.2 เป็นอันดับ 1 ใน AIME 2025[2][4]
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ? AIME เป็นโจทย์สาธารณะ จึงมีความเสี่ยงเรื่องข้อมูลปนเปื้อนในการฝึกโมเดล ทางเลือกที่ปลอดภัยกว่าคือคัดรายชื่อจาก benchmark แล้วทดสอบด้วยโจทย์ใหม่ของคุณเอง[1]
98.13% accuracy
อย่างไรก็ตาม AIME เป็นเพียงโจทย์คณิตประเภทหนึ่ง ไม่ได้แปลว่าโมเดลเดียวกันจะดีที่สุดเสมอสำหรับการสอนแบบทีละขั้น การพิสูจน์ยาว ๆ การคำนวณเชิงสัญลักษณ์ หรือการทำงานร่วมกับโค้ดและข้อมูลจริง
ทำไมลีดเดอร์บอร์ดเดียวบอกทุกอย่างไม่ได้ ภาพรวมของตลาดตอนนี้คือ โมเดลระดับ frontier หลายตัวขึ้นมาอยู่หัวตารางพร้อมกัน คะแนนจึงเบียดกันมาก
ตัวอย่างเช่น Vals AI จัดให้ Gemini 3.1 Pro Preview เป็นอันดับหนึ่งบน AIME ขณะที่ LLM Stats แสดง GPT-5.2 Pro และ GPT-5.2 อยู่ในรายการอันดับ 1 บนลีดเดอร์บอร์ด AIME 2025
BenchLM ยังรายงานว่าโมเดลอันดับต้น ๆ ทำคะแนนได้สูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025
อธิบายวิธีคิดชัดหรือไม่
คงเส้นคงวาแค่ไหนเมื่อโจทย์เปลี่ยนรูป
ตอบเร็วหรือช้า
ค่าใช้จ่ายเหมาะกับการใช้งานหรือไม่
รับรูปแบบโจทย์ของคุณได้ดีแค่ไหน เช่น ข้อความยาว ตาราง โค้ด หรือสัญลักษณ์คณิต
จุดที่ต้องระวัง: benchmark สาธารณะอาจมีข้อมูลปนเปื้อน AIME มีประโยชน์มากในฐานะสัญญาณวัดความสามารถ แต่ไม่ใช่ข้อพิสูจน์สมบูรณ์ว่าโมเดล “คิดสด” ได้ดีเสมอไป
Vals AI ระบุว่าโจทย์และคำตอบของ AIME เป็นข้อมูลสาธารณะ จึงมีความเสี่ยงที่โมเดลอาจเคยพบข้อมูลเหล่านี้ระหว่างการ pretraining
แปลเป็นภาษาคนใช้: คะแนน AIME ที่สูงมากบอกว่าโมเดลเก่งบนสนามนี้ แต่ยังไม่ควรสรุปทันทีว่าจะเชื่อถือได้เท่ากันกับโจทย์ใหม่ โจทย์เฉพาะทาง หรือโจทย์ที่ไม่เคยเผยแพร่
ถ้าจะเลือก AI ทำคณิต ควรดูอะไร ถ้าคุณต้องการ... วิธีเลือกที่เหมาะกว่า ตัวเลือกที่ชัดที่สุดจาก AIME ในแหล่งข้อมูลนี้ เริ่มจาก Gemini 3.1 Pro Preview เพราะ Vals AI ระบุว่าเป็นอันดับหนึ่งบน AIME ที่ 98.13% accuracy ฝึกโจทย์แข่งขันคณิต ดูผลทั้ง AIME และ HMMT เพราะ BenchLM รายงานว่าโมเดลหัวตารางสูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025 จัดอันดับความสามารถเชิงคณิตและเหตุผลเชิงปริมาณแบบกว้างขึ้น ดูลีดเดอร์บอร์ดรวม เช่น LLMBase ระบุว่า ranking ด้านคณิตของตนใช้ Artificial Analysis math index ซึ่งรวม AIME และ MATH 500 ทดสอบโจทย์คณิตขั้นสูงในรูปแบบอื่น พิจารณา benchmark แบบ FrontierMath โดย Epoch AI ระบุว่า FrontierMath Tier 4 ให้โมเดลส่งฟังก์ชัน Python answer() สำหรับแต่ละคำถาม ความน่าเชื่อถือกับงานจริง สร้างชุดทดสอบส่วนตัว เพราะโจทย์ AIME เป็นสาธารณะและอาจอยู่ในข้อมูลฝึกของโมเดล
วิธีทดสอบเองแบบไม่ซับซ้อน หากคุณจะใช้ AI กับการเรียน การติวสอบ หรือระบบงานจริง อย่าเลือกจากอันดับอย่างเดียว ให้ใช้ benchmark เพื่อคัดรายชื่อก่อน แล้วทดสอบต่อด้วยโจทย์ของคุณเอง
เลือกโจทย์ใหม่ที่โมเดลไม่น่าจะเคยเห็น
ให้ทุกโมเดลตอบโจทย์ชุดเดียวกัน
บังคับให้ตอบทั้ง “คำตอบสุดท้าย” และ “วิธีทำ”
ขอให้ตรวจคำตอบด้วยวิธีแทนค่า วิธีสำรอง หรือการคำนวณเชิงตัวเลขเมื่อทำได้
จดข้อผิดพลาดด้านเหตุผล ไม่ใช่ดูแค่ว่าคำตอบสุดท้ายถูกหรือผิด
เลือกโมเดลที่แม่น อธิบายรู้เรื่อง และเสถียรกับโจทย์แบบที่คุณใช้จริง
เหตุผลสำคัญคือ AI ที่เก่งโจทย์แข่งขันคำตอบสั้น อาจไม่ได้เหมาะที่สุดสำหรับการสอนเด็กให้เข้าใจทีละขั้น หรือการทำงานเชิงปริมาณที่ต้องใช้โค้ด ตารางข้อมูล และการตรวจสอบซ้ำหลายรอบ
สรุป ถ้าถามแบบแคบว่า AI ตัวไหนนำบน benchmark AIME ของ Vals AI คำตอบคือ Gemini 3.1 Pro Preview ด้วยความแม่นยำ 98.13%
ดังนั้นคำตอบที่ใช้งานได้จริงที่สุดคือ: ใช้ leaderboard เพื่อคัดตัวเต็ง แล้วทดสอบด้วยโจทย์ใหม่ในรูปแบบที่คุณต้องใช้จริง ก่อนตัดสินใจว่าโมเดลไหน “เก่งคณิต” สำหรับคุณ
artificialanalysis.ai AIME 2025 Benchmark Leaderboard 98.13% accuracy
อย่างไรก็ตาม AIME เป็นเพียงโจทย์คณิตประเภทหนึ่ง ไม่ได้แปลว่าโมเดลเดียวกันจะดีที่สุดเสมอสำหรับการสอนแบบทีละขั้น การพิสูจน์ยาว ๆ การคำนวณเชิงสัญลักษณ์ หรือการทำงานร่วมกับโค้ดและข้อมูลจริง
ทำไมลีดเดอร์บอร์ดเดียวบอกทุกอย่างไม่ได้ ภาพรวมของตลาดตอนนี้คือ โมเดลระดับ frontier หลายตัวขึ้นมาอยู่หัวตารางพร้อมกัน คะแนนจึงเบียดกันมาก
ตัวอย่างเช่น Vals AI จัดให้ Gemini 3.1 Pro Preview เป็นอันดับหนึ่งบน AIME ขณะที่ LLM Stats แสดง GPT-5.2 Pro และ GPT-5.2 อยู่ในรายการอันดับ 1 บนลีดเดอร์บอร์ด AIME 2025
BenchLM ยังรายงานว่าโมเดลอันดับต้น ๆ ทำคะแนนได้สูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025
อธิบายวิธีคิดชัดหรือไม่
คงเส้นคงวาแค่ไหนเมื่อโจทย์เปลี่ยนรูป
ตอบเร็วหรือช้า
ค่าใช้จ่ายเหมาะกับการใช้งานหรือไม่
รับรูปแบบโจทย์ของคุณได้ดีแค่ไหน เช่น ข้อความยาว ตาราง โค้ด หรือสัญลักษณ์คณิต
จุดที่ต้องระวัง: benchmark สาธารณะอาจมีข้อมูลปนเปื้อน AIME มีประโยชน์มากในฐานะสัญญาณวัดความสามารถ แต่ไม่ใช่ข้อพิสูจน์สมบูรณ์ว่าโมเดล “คิดสด” ได้ดีเสมอไป
Vals AI ระบุว่าโจทย์และคำตอบของ AIME เป็นข้อมูลสาธารณะ จึงมีความเสี่ยงที่โมเดลอาจเคยพบข้อมูลเหล่านี้ระหว่างการ pretraining
แปลเป็นภาษาคนใช้: คะแนน AIME ที่สูงมากบอกว่าโมเดลเก่งบนสนามนี้ แต่ยังไม่ควรสรุปทันทีว่าจะเชื่อถือได้เท่ากันกับโจทย์ใหม่ โจทย์เฉพาะทาง หรือโจทย์ที่ไม่เคยเผยแพร่
ถ้าจะเลือก AI ทำคณิต ควรดูอะไร ถ้าคุณต้องการ... วิธีเลือกที่เหมาะกว่า ตัวเลือกที่ชัดที่สุดจาก AIME ในแหล่งข้อมูลนี้ เริ่มจาก Gemini 3.1 Pro Preview เพราะ Vals AI ระบุว่าเป็นอันดับหนึ่งบน AIME ที่ 98.13% accuracy ฝึกโจทย์แข่งขันคณิต ดูผลทั้ง AIME และ HMMT เพราะ BenchLM รายงานว่าโมเดลหัวตารางสูงกว่า 95% บน AIME 2025 และสูงกว่า 90% บน HMMT 2025 จัดอันดับความสามารถเชิงคณิตและเหตุผลเชิงปริมาณแบบกว้างขึ้น ดูลีดเดอร์บอร์ดรวม เช่น LLMBase ระบุว่า ranking ด้านคณิตของตนใช้ Artificial Analysis math index ซึ่งรวม AIME และ MATH 500 ทดสอบโจทย์คณิตขั้นสูงในรูปแบบอื่น พิจารณา benchmark แบบ FrontierMath โดย Epoch AI ระบุว่า FrontierMath Tier 4 ให้โมเดลส่งฟังก์ชัน Python answer() สำหรับแต่ละคำถาม ความน่าเชื่อถือกับงานจริง สร้างชุดทดสอบส่วนตัว เพราะโจทย์ AIME เป็นสาธารณะและอาจอยู่ในข้อมูลฝึกของโมเดล
วิธีทดสอบเองแบบไม่ซับซ้อน หากคุณจะใช้ AI กับการเรียน การติวสอบ หรือระบบงานจริง อย่าเลือกจากอันดับอย่างเดียว ให้ใช้ benchmark เพื่อคัดรายชื่อก่อน แล้วทดสอบต่อด้วยโจทย์ของคุณเอง
เลือกโจทย์ใหม่ที่โมเดลไม่น่าจะเคยเห็น
ให้ทุกโมเดลตอบโจทย์ชุดเดียวกัน
บังคับให้ตอบทั้ง “คำตอบสุดท้าย” และ “วิธีทำ”
ขอให้ตรวจคำตอบด้วยวิธีแทนค่า วิธีสำรอง หรือการคำนวณเชิงตัวเลขเมื่อทำได้
จดข้อผิดพลาดด้านเหตุผล ไม่ใช่ดูแค่ว่าคำตอบสุดท้ายถูกหรือผิด
เลือกโมเดลที่แม่น อธิบายรู้เรื่อง และเสถียรกับโจทย์แบบที่คุณใช้จริง
เหตุผลสำคัญคือ AI ที่เก่งโจทย์แข่งขันคำตอบสั้น อาจไม่ได้เหมาะที่สุดสำหรับการสอนเด็กให้เข้าใจทีละขั้น หรือการทำงานเชิงปริมาณที่ต้องใช้โค้ด ตารางข้อมูล และการตรวจสอบซ้ำหลายรอบ
สรุป ถ้าถามแบบแคบว่า AI ตัวไหนนำบน benchmark AIME ของ Vals AI คำตอบคือ Gemini 3.1 Pro Preview ด้วยความแม่นยำ 98.13%
ดังนั้นคำตอบที่ใช้งานได้จริงที่สุดคือ: ใช้ leaderboard เพื่อคัดตัวเต็ง แล้วทดสอบด้วยโจทย์ใหม่ในรูปแบบที่คุณต้องใช้จริง ก่อนตัดสินใจว่าโมเดลไหน “เก่งคณิต” สำหรับคุณ
artificialanalysis.ai AIME 2025 Benchmark Leaderboard 