MATH Matematica EXTERNO · ACADEMICA

UC Berkeley (Hendrycks et al.) · Versión: full-5000 · Métrica: accuracy

Última verificación: 18/09/2026 · Dirección: mayor suele ser mejor

Qué mide

Mide resolucion de problemas matematicos de competencia: 5000 problemas en 6 areas con respuesta verificable por reglas.

Dataset: 5000 problemas (entrenamiento/test); el subconjunto MATH-500 se usa para evaluacion rapida.

No mide demostraciones formales ni investigacion matematica.

Accuracy de respuesta final con verificacion por reglas. MATH-500 es subconjunto: no mezclar con el full sin indicarlo.

full-5000 · dataset full · Conjunto completo.
test-500 · dataset MATH-500 · Subconjunto de 500 para evaluacion rapida (ej. DeepSeek-R1). No mezclar con full.

Proporcion de respuestas correctas. Mayor suele ser mejor.

Distinguir full vs MATH-500 al comparar.

Ordenado de mayor a menor: en esta métrica, mayor suele ser mejor. Esto ordena por esta medición específica; no es un ranking general del modelo.

Resultados de MATH por modelo, con fuente y configuración
Modelo	Resultado (accuracy)	Fecha	Versión / Configuración	Fuente
DeepSeek R1 PROVEEDOR	97,3 %	Eval.: desconocida Verif.: 18/09/2026	Versión: test-500 Herramientas: desconocido · Web: desconocido	DeepSeek-R1 paper Ver fuente Subconjunto MATH-500: no comparable directamente con resultados sobre el conjunto completo.
GPT-4o PROVEEDOR	76,6 %	Eval.: desconocida Verif.: 18/09/2026	Versión: full-5000 Herramientas: desconocido · Web: desconocido	OpenAI (Hello GPT-4o) Ver fuente Resultado informado por el proveedor sobre el conjunto completo.