OTIS Mock AIME 2024-2025

引用多め
何を測定しますか?
オリンピック教育プログラムOTISの生徒がAIMEをまねて作った模擬試験の問題で、数学の解答力を見ます。
誰がどのように評価しますか?
2024年と2025年のI・II回の模擬試験から各15問、計45問です。答えは0〜999の整数で、AIの答えを取り出して正解表と一致するか確認します。
スコアの読み方
スコアは0〜100%です。高いほど良い結果です。MATHレベル5より難しく、FrontierMathよりは易しい水準です。
最高スコア100.0%
測定したモデル81件
測定基準高いほど良い
最終更新2026.11.13
モデルのリリース時期
  1. 🥇AnthropicClaude Fable 5.1推論強度: Max100.0%
  2. 🥇GoogleGemini 4 Argon推論強度: High100.0%
  3. 🥇GoogleGemini 4 Hydrogen推論強度: Extra High100.0%
  4. 🥇AnthropicClaude Opus 5.5推論強度: Max100.0%
  5. 🥇AnthropicClaude Fable 5推論強度: High100.0%
  6. 🥇OpenAIGPT-6.1 Terra推論強度: Max100.0%
  7. 🥇OpenAIGPT-6 Sol推論強度: Max100.0%
  8. 🥇OpenAIGPT-6.2 Astra推論強度: Max100.0%
  9. 🥇OpenAIGPT-6.1 Sol推論強度: Max100.0%
  10. 🥇GoogleGemini 4 Carbon推論強度: High100.0%
  11. 🥇OpenAIGPT-6 Astra推論強度: Max100.0%
  12. 🥇OpenAIGPT-5.6 Sol推論強度: Max100.0%
  13. 🥇AnthropicClaude Sonnet 5.5推論強度: Max100.0%
  14. #14AnthropicClaude Fable 5.2推論強度: Max99.7%
  15. #14OpenAIGPT-5.6 Terra推論強度: Max99.7%
  16. #16DeepSeekDeepSeek V4.1 Flash 1017推論強度: Max99.4%
  17. #17SpaceXSIGrok 4.6推論強度: Extra High99.2%
  18. #17MetaMuse Spark 1.3推論強度: Extra High99.2%
  19. #19OpenAIGPT-6 Luna推論強度: Max98.9%
  20. #19AnthropicClaude Haiku 5.5推論強度: Extra High98.9%
  21. #19GoogleGemini 3.8 Flash推論強度: High98.9%
  22. #19AnthropicClaude Opus 5推論強度: Max98.9%
  23. #23DeepSeekDeepSeek V4 Pro推論強度: Max98.6%
  24. #24DeepSeekDeepSeek V4.1 Flash推論強度: Max98.3%
  25. #24OpenAIGPT-5.6 Luna推論強度: Max98.3%
  26. #24AnthropicClaude Opus 4.8推論強度: Max98.3%
  27. #24Mistral AIMistral Large 4推論強度: High98.3%
  28. #28SpaceXSIGrok 4.7推論強度: Extra High98.1%
  29. #29AnthropicClaude Opus 4.7推論強度: Extra High97.8%
  30. #30SpaceXSIGrok 4.5推論強度: High97.8%
  31. #30OpenAIGPT-5.4推論強度: High97.8%
  32. #32Moonshot AIKimi K3推論強度: Max97.2%
  33. #32GoogleGemini 3.7 Flash推論強度: High97.2%
  34. #34Moonshot AIKimi K2.696.1%
  35. #35GoogleGemini 3.1 Pro95.6%
  36. #36GoogleGemini 3 Flash推論強度: High95.6%
  37. #36GoogleGemini 3.5 Flash推論強度: High95.6%
  38. #36AlibabaQwen3.7 Max95.6%
  39. #36Moonshot AIKimi K2.7 Code95.6%
  40. #40AnthropicClaude Sonnet 5推論強度: Extra High94.7%
  41. #41AnthropicClaude Opus 4.6推論強度: Budget 64K94.4%
  42. #41DeepSeekDeepSeek V4 Flash推論強度: Max94.4%
  43. #43GoogleGemini 3.6 Flash推論強度: High94.2%
  44. #44Z.aiGLM 5.3 Flash推論強度: Max93.9%
  45. #45AlibabaQwen3.6 Plus93.3%
  46. #45AlibabaQwen3.7 Plus93.3%
  47. #45SpaceXSIGrok 4.3推論強度: High93.3%
  48. #45Z.aiGLM-5.193.3%
  49. #49SpaceXSIGrok 4.20 (Reasoning)92.2%
  50. #50OpenAIGPT-5推論強度: High91.4%
  51. #51Z.aiGLM 5.3推論強度: Max91.1%
  52. #51AlibabaQwen3.6 Max91.1%
  53. #53MetaMuse Spark88.9%
  54. #54OpenAIGPT OSS 120B推論強度: High88.9%
  55. #54AlibabaQwen3.5 397B A17B88.9%
  56. #54OpenAIGPT-5.4 Mini推論強度: Extra High88.9%
  57. #57OpenAIGPT-5.4 Nano推論強度: High87.8%
  58. #58NVIDIANemotron 3 Ultra86.7%
  59. #58AlibabaQwen3.5 Plus86.7%
  60. #58AlibabaQwen3.6 35B A3B86.7%
  61. #58OpenAIGPT-5 Mini推論強度: High86.7%
  62. #62Z.aiGLM 5.2推論強度: Max86.4%
  63. #63AnthropicClaude Opus 4.5推論強度: Budget 32K86.1%
  64. #64AnthropicClaude Sonnet 4.6推論強度: Budget 32K85.8%
  65. #65GoogleGemini 2.5 Pro84.7%
  66. #66OpenAIGPT-5.5推論強度: Low84.4%
  67. #66AlibabaQwen3.6 Flash84.4%
  68. #68OpenAIGPT-5 Nano推論強度: High81.1%
  69. #69GoogleGemini 3.1 Flash Lite推論強度: High80.0%
  70. #69Z.aiGLM-580.0%
  71. #71AnthropicClaude Sonnet 4.5推論強度: Budget 59K77.8%
  72. #72GoogleGemma 4 31B推論強度: Minimal73.3%
  73. #73GoogleGemini 3.5 Flash-Lite推論強度: High71.1%
  74. #73AnthropicClaude Sonnet 4推論強度: Budget 32K71.1%
  75. #73MiniMaxMiniMax M371.1%
  76. #76AnthropicClaude Opus 4.1推論強度: Budget 27K68.9%
  77. #77AnthropicClaude Haiku 4.5推論強度: Budget 32K66.7%
  78. #78AnthropicClaude Opus 4推論強度: Budget 27K64.4%
  79. #79OpenAIGPT-4.138.3%
  80. #80MetaLlama 4 Maverick20.6%
  81. #81MetaLlama 4 Scout7.8%
上位28件が100.0%付近 · 最上位は見分けにくい · モデルの半数が94.4%以下

「作業ツール」はAIが課題を解くときに使った実行環境(エージェントプログラム)です。同じモデルでも作業ツールと推論の強さによってスコアが大きく変わることがあります。