AI nào giỏi toán nhất? Gemini dẫn AIME, nhưng chưa có “vua toán” tuyệt đối

Điều này không nhất thiết có nghĩa là một bên đúng và một bên sai. Các leaderboard có thể khác nhau ở bộ đề, cách chấm, cấu hình chạy, số lần thử, công cụ được phép dùng, phiên bản mô hình và thời điểm cập nhật.

Bức tranh chung là nhóm mô hình AI hàng đầu đã tiến rất gần nhau ở toán thi đấu. BenchLM cho biết các mô hình đứng đầu đều vượt 95% trên AIME 2025 và vượt 90% trên HMMT 2025. Khi khoảng cách đã hẹp như vậy, lựa chọn thực tế có thể phụ thuộc nhiều hơn vào chất lượng giải thích, độ ổn định, tốc độ phản hồi, chi phí và việc mô hình có hợp với đúng dạng bài của bạn hay không.

Cảnh báo lớn: benchmark công khai có thể bị “nhiễm dữ liệu”

AIME là tín hiệu hữu ích, nhưng không phải phép thử hoàn hảo cho năng lực suy luận mới. Vals AI lưu ý rằng câu hỏi và đáp án AIME là dữ liệu công khai, nên có rủi ro mô hình đã gặp chúng trong giai đoạn tiền huấn luyện.

Vals AI cũng cho biết các mô hình có xu hướng làm tốt hơn trên bộ câu hỏi cũ năm 2024 so với bộ mới năm 2025, làm dấy lên câu hỏi về nhiễm dữ liệu và khả năng khái quát hóa thật sự.

Nói đơn giản: điểm AIME rất cao cho thấy mô hình mạnh trên benchmark đó, nhưng không đảm bảo mô hình sẽ đáng tin tương đương khi gặp đề mới, đề riêng, đề lạ hoặc bài toán được viết theo cách không quen thuộc.

Nên chọn AI toán theo nhu cầu nào?

Cách kiểm tra nhanh trước khi tin một mô hình

Nếu bạn dùng AI cho học tập, dạy kèm, luyện thi hoặc một quy trình có nhiều bài toán, đừng chỉ nhìn điểm leaderboard. Hãy chọn 2–3 mô hình mạnh, rồi tự thử bằng một bộ bài gần với nhu cầu thật:

1. Cho mỗi mô hình cùng một bộ bài mới.
2. Yêu cầu cả đáp án cuối cùng lẫn lời giải từng bước.
3. Khi phù hợp, yêu cầu kiểm tra lại bằng thay số, cách giải thứ hai hoặc tính gần đúng.
4. Ghi nhận lỗi lập luận, không chỉ ghi nhận đáp án sai.
5. Ưu tiên mô hình vừa đúng, vừa giải thích dễ hiểu, vừa ổn định trên đúng dạng bài bạn cần.

Cách này đặc biệt quan trọng vì “giỏi toán” không chỉ có một nghĩa. Một mô hình có thể rất mạnh ở bài thi ngắn nhưng chưa chắc phù hợp nhất để dạy học sinh mất gốc, viết chứng minh dài, thao tác biểu thức phức tạp hoặc phối hợp với Python trong công việc định lượng.

Kết luận

Nếu nói riêng về benchmark AIME theo Vals AI, Gemini 3.1 Pro Preview là mô hình dẫn đầu với 98,13% độ chính xác. Nhưng nếu hỏi “AI nào giỏi toán nhất” theo nghĩa rộng, bằng chứng hiện có không ủng hộ một đáp án duy nhất: các mô hình tuyến đầu đang bám rất sát nhau, bảng xếp hạng khác nhau có thể nêu tên khác nhau, và dữ liệu AIME công khai tạo ra lý do chính đáng để kiểm tra thêm bằng bài mới trước khi đặt niềm tin quá lớn vào bất kỳ con số nào.