最佳數學 AI 是誰？Gemini 在 AIME 領先，但沒有萬用冠軍

所以，如果你的問題很精準——「在這份 AIME 排行榜上誰第一？」——Gemini 3.1 Pro Preview 是目前資料中最有根據的答案。

但 AIME 主要代表的是競賽式、短答式、高中奧林匹亞風格的數學能力。它不能自動代表模型在所有數學情境下都最好，例如一步步教學、長證明、符號推導、程式輔助計算，或是企業內部的量化工作流程。

為什麼一份排行榜不能定江山

不同平台的排行榜，可能會給出不同的領先者。Vals AI 在 AIME 榜上列 Gemini 3.1 Pro Preview 第一；但 LLM Stats 的 AIME 2025 排行榜中，則出現 GPT-5.2 Pro 與 GPT-5.2 的第 1 名條目。

更大的趨勢是：頂尖模型在競賽數學上已經擠得很近。BenchLM 指出，頂尖模型在 AIME 2025 都超過 95%，在 HMMT 2025 都超過 90%。

這代表實際選擇時，與其糾結 1、2 個百分點的差距，不如看幾個更貼近日常使用的因素：

• 解題步驟是否清楚；
• 是否會穩定給出同一類題目的可靠推理；
• 回答速度與成本是否可接受；
• 能不能處理你的題目格式，例如文字題、圖形題、LaTeX、表格或程式碼；
• 錯的時候是否容易看出錯在哪裡。

最大但書：公開題庫可能讓分數被高估

AIME 是有用的訊號，但不是完美的「新鮮推理」測驗。Vals AI 特別提醒，AIME 的題目與答案是公開的，因此模型在預訓練階段可能已經接觸過相關資料。

Vals AI 也指出，模型在較舊的 2024 題目上通常表現比更新的 2025 題目更好，這讓人需要注意資料污染與真正泛化能力的問題。

換句話說，AIME 高分很重要，但不能解讀成「遇到全新的、私有的、怪題型的數學問題也一定同樣可靠」。排行榜分數像是履歷上的漂亮成績，真正上工前還是要面試。

依需求選，而不是只問誰第一

最實用的方法：自己做一份小型私有測試

如果你是學生、家長、老師、競賽準備者，或正在評估把 AI 放進數學相關產品裡，建議把公開排行榜當成「初選名單」，不要當成最後答案。

可以用這個簡單流程測：

1. 準備幾題模型不容易在公開網路上看過的新題。
2. 每個模型都給同一批題目。
3. 要求它同時提供最後答案與完整推導。
4. 視題型要求代回驗算、另一種解法，或數值檢查。
5. 不只記錄答案對錯，也記錄推理是否跳步、是否胡亂套公式、是否把題意看錯。
6. 優先選擇在你的題型上「準確、解釋清楚、穩定」的模型。

這一點很關鍵：很會做競賽短答題的模型，不一定就是最會教學生的模型；擅長推導的模型，也不一定最適合大量、低延遲的產品流程。

結論

若問題限定在 Vals AI 的 AIME 競賽數學基準，Gemini 3.1 Pro Preview 以 98.13% 準確率居首，是最清楚的答案。

但若問題是「最好的數學 AI 是哪一個」，目前證據不支持一個放諸四海皆準的冠軍。頂尖模型在競賽數學上已非常接近，不同排行榜會出現不同領先者，而且公開 AIME 題庫也帶來資料污染疑慮。

最穩妥的做法是：用排行榜挑候選模型，再用你自己的新題和實際場景測試。對數學 AI 來說，「榜上第一」很有參考價值，但「適合你的題目」才是真正的第一。