哪款 AI 最会做数学：Gemini 领跑 AIME，但没有通吃的冠军

先给一个直接答案：如果你问的是 AIME 这类公开竞赛数学榜单，当前来源里最明确的领先者是 Gemini 3.1 Pro Preview。Vals AI 在 AIME 基准中把它列为第一，准确率为 98.13%。

但如果你问的是更宽泛的数学能力——比如作业辅导、讲题、竞赛训练、定量推理，或把模型接入产品流程——就不能简单说某一个 AI 永远最好。数学任务差别很大，榜单也不是同一把尺子。

先看最清楚的单项结果：Gemini 在 Vals AI 的 AIME 上领先

AIME 和 HMMT 都是高中数学竞赛，现在也常被用来评测 AI 系统的数学推理能力。 对普通用户来说，可以把它们理解为一类标准答案明确、推理链条较强的竞赛题测试。

在 Vals AI 的 AIME 榜单上，Gemini 3.1 Pro Preview 被列为表现最好的模型，准确率为 98.13%。 所以，如果问题精确到：哪个模型在 Vals AI 的 AIME 榜单上排第一？答案就是 Gemini 3.1 Pro Preview。

问题在于，这并不等于它在所有数学场景里都必然最好。

为什么一个榜单不能定胜负

不同榜单可能给出不同的领先者。Vals AI 在 AIME 基准中把 Gemini 3.1 Pro Preview 列在第一位；而 LLM Stats 的 AIME 2025 榜单中，GPT-5.2 Pro 和 GPT-5.2 出现在第 1 名条目里。

更大的趋势是：头部模型在竞赛数学上已经非常接近。BenchLM 报告称，顶尖模型在 AIME 2025 上都超过 95%，在 HMMT 2025 上都超过 90%。 当分数已经挤在高位时，实际选择往往不只看那一点点排名差距，还要看解释是否清楚、答案是否稳定、响应速度、成本，以及模型是否适合你的题目格式。

最大的提醒：公开题库可能让分数虚高

AIME 是有参考价值的信号，但它不是完美的新题测试。Vals AI 指出，AIME 的题目和答案是公开的，因此模型在预训练阶段可能接触过这些内容。

Vals AI 还提到，模型在较旧的 2024 年题目上往往比在较新的 2025 年题目上表现更好，这引出了数据污染和真实泛化能力的问题。 换句话说，AIME 高分说明模型在这个公开基准上很强，但不能保证它遇到全新、私有或不常见的问题时同样可靠。

不同数学需求，应该这样选

你的需求	更靠谱的判断方式
只想知道本批来源里 AIME 单项最强	先看 Gemini 3.1 Pro Preview，因为 Vals AI 把它列为 AIME 第一，准确率 98.13%。
准备竞赛数学	同时参考 AIME 和 HMMT 风格结果。BenchLM 称顶尖模型在 AIME 2025 超过 95%，在 HMMT 2025 超过 90%。
想要更综合的数学或定量推理排名	看复合数学榜单。LLMBase 表示其数学排名使用 Artificial Analysis math index，包含 AIME、MATH 500 等。
关注更高级或不同形式的数学评测	可参考 FrontierMath 类基准；Epoch AI 的 FrontierMath Tier 4 要求模型为每道题提交返回答案的 Python answer() 函数。
要用于真实作业辅导或产品流程	自建一组新题测试，尤其是 AIME 公题存在训练中接触过的风险。

比只看排行榜更实用：做一次小型私测

如果你要把 AI 用在学习、教学、竞赛训练或数学密集型工作流中，建议先用公开榜单筛出候选模型，再用自己的题目复测：

1. 给每个模型同一组全新的题目。
2. 要求同时给出最终答案和清晰推导。
3. 适合时要求它用代入、另一种方法或数值检验来验证答案。
4. 记录推理漏洞，而不只是记录最后答案对错。
5. 选择在你的真实题型上准确、稳定、容易理解的模型。

这一步很关键。一个擅长短答案竞赛题的模型，未必最适合一步步讲题；一个榜单分数很高的模型，也未必最适合符号计算、长证明或需要写代码验证的定量任务。

结论

如果把数学问题限定为 AIME 风格的竞赛基准，Gemini 3.1 Pro Preview 是本批来源中最清楚的答案：Vals AI 将其列为 AIME 第一，准确率 98.13%。

如果问的是更广义的“最强数学 AI”，现有证据并不支持一个通吃所有场景的冠军。头部模型在竞赛数学榜单上已经非常接近，不同平台排名会变化，而公开 AIME 数据也带来污染风险。 更稳妥的做法是：先看榜单，再用你的新题、你的格式、你的评分标准亲自测一遍。