什么是数学评测？对错分明，看完就会判断

人文学科的考场上老师常为分数争执，大模型的数学评测没有这种烦恼——答案对就是对，错就是错。模型的数学功底因此成了最容易被量化的能力之一，通义千问、DeepSeek 这些模型发布时的数学成绩，就是这张考卷给的。

对错为什么好判

判分方式以精确匹配为主：把模型答案化简成标准形式，和标准答案比对，一致得分。比起靠评审主观打分的写作题，这套判分又快又稳，同一个模型谁来测都是同一个数，这也是它常被当作能力锚点的原因。打个比方，像跳高的横杆——过了就是过了。类比失效之处：横杆高度公开且固定，而数学题的标准答案要人工预先核准，题目出错了，再强的模型也只会「错」。

答案对了过程错了怎么办

只看结果判分有个漏洞：蒙对、凑对、过程错结论对的回答，都能得分。于是较新的评测开始引入过程判分，检查关键步骤是否成立，有的用人工，有的用模型裁判——裁判评审的偏向问题在这里同样存在，见什么是裁判偏好？裁判自己的毛病。读榜单时留意它用的是结果分还是过程分，两者不可直接比。过程判分的成本高得多，通常只用在旗舰榜单上，普通榜单仍是结果分当家。过程分里最有价值的是「错误步骤之后的答案不再可信」这一条，它逼着模型认真对待每一步。判分程序几百行就写完，出题团队却要反复验算，一头轻一头重。有的基准还考反推：给答案让模型倒推出题条件，考的是理解深度而不是套路熟练度。数学题库的更新频率也值得看，一年不换题的榜单，分数通胀几乎必然发生。

难度分层怎么玩

一道题难不难，不同人感受不同，所以规范基准会给题目分层：小学应用题、竞赛题、研究生级别的证明各归各档，分档公布成绩。只看一个总分会掩盖结构：模型可能把简单题做满、难题全军覆没，也可能反过来。分层数字才看得出能力形状。读分层成绩还有个用法：对比两款模型时，看它们在不同档位的交叉点，能判断谁更适合你的题目难度。自查有个笨办法：挑几道冷门新题自己试，测出来的水平比榜单更接近真实。看数学榜，先看卷子是什么年份的，再谈分数高低。

数学分数里的水分

三个来源要提防：题海泄漏，经典题在网上流传太广，模型可能背过解法；答案泄漏，推理过程里模型顺手写出正确选项；判分口径，用例宽严不同会让同一模型测出不同分数。保密与换题是对策，思路与盲测一脉相承。数学之外，长文本里找隐藏条件是另一门考法，见什么是大海捞针测试？长文本的考题；把数学推理接进多步任务，则与 Agent 考卷相邻，见什么是 Agent 评测？多步任务的考卷；图表题要先看懂图再做数，跨模态考法见什么是多模态评测？看图听音的考试。

三种水分的表现不一样，读榜时要核对的东西也不同：

数学评测速查表

• 判分：精确匹配为主，过程分为补充。
• 读分：看难度分层，别只看总分。
• 防水分：确认题目保密状况与判分口径。

三件事核对完，数学分数才可比。

对错分明是数学评测的福气，但别忘了看题目难度和新鲜程度。一道流传十年的老题考出满分，说明不了太多；一张全新的竞赛卷子还能拿高分，才真有分量。

聊聊数学评测的常见疑问

• 计算器能干的事为什么要考？：考的不是算术，是推理链条，多步推导中的逻辑是否成立才是重点。
• 数学分高通用能力就强吗？：不能直接推，中文语境的理解是另一张考卷，见什么是中文评测？中文题库的特点。
• 过程分怎么防评审放水？：靠抽检和多人评审，机制与裁判校正相通。