莱比锡数学基准

莱比锡数学基准（Leipzig Benchmark）是由49位数学家在2026年构建的一套包含100道研究级数学问题的数据集，旨在测试大语言模型（LLM）在复杂推理上的极限。最新数据显示，随着模型迭代，该基准中未解题数已从第一阶段的41题降至第四阶段的仅1题，显示LLM推理能力逼近专家水平。

【背景】该基准由波鸿鲁尔大学等机构主导，题目源自代数几何、组合数学等前沿领域，要求答案唯一且不可猜测。评测分为四个阶段：第一阶段5款主流模型单次作答，41题全错；第二阶段3款模型各跑20次，剩16题未解；第三阶段引入“重思考”模型，剩2题未解；2026年9月第四阶段加入网络搜索与代码执行后，仅剩1题未解。

【存疑】尽管成绩斐然，社区对基准有效性存在分歧。批评者指出，这些题目基于已发表的研究，可能存在于训练数据中，导致模型是在“检索文献”而非“原创推理”。支持者则认为，即便涉及检索，整合多源知识并得出正确结论仍体现了高阶推理能力。目前尚无定论证明模型具备真正的数学创造力。

读者应关注后续是否会出现完全基于未公开问题或需要全新证明方法的基准，以区分模型的检索能力与推理能力。