备注：
1、AIME '24
美国数学邀请赛（American Invitational Mathematics Examination）2024年版本，是面向高中生的数学竞赛，包含15道复杂数学问题，考察代数、几何、数论等领域的多步推理和创造性解题能力。常用于评估AI模型的高级数学推理能力。
2、GPQA Diamond
Graduate-Level Google-Proof Q&A Benchmark的高难度子集，包含448道由生物、物理、化学领域专家设计的多选题。题目“谷歌免疫”，即使专家也仅达65%正确率（排除明显错误后74%），用于测试AI的深层科学推理能力。
3、MMLU
Massive Multitask Language Understanding，包含15,908道多选题，覆盖57个学科（从STEM到人文），难度从小学到博士级。评估AI的广泛知识和问题解决能力，但因部分错误（约6.5%）和数据污染问题，2024年起逐渐被更严格的基准取代。
4、Multilingual MMLU
MMLU的扩展版本，通过翻译或创建题目覆盖多语言（如中文、西班牙语等），旨在评估AI的跨语言理解能力。但翻译可能引入文化偏见（如美式历史或法律内容），降低全球适用性，需谨慎解读结果