MathNet：全球规模最大的多语言数学推理与检索基准数据集发布

MIT研究团队发布MathNet基准数据集，这是全球规模最大的多语言数学推理与检索基准，涵盖47个国家17种语言的30,676道奥赛级数学题目，首次系统评估大模型的数学检索能力，并发现检索质量对推理性能影响显著。该基准的发布标志着数学AI评估进入新阶段。

数学问题求解是检验大语言模型推理能力的黄金标准，要求严密逻辑、符号运算及跨步骤连贯思考能力。但现有数学基准在规模、语言覆盖度和任务多样性上存在局限，难以全面评估模型在真实场景中的表现。

MathNet数据集规模令人印象深刻，涵盖47个国家、17种语言的奥赛级数学题，时间跨度二十年，共30,676道专家编写的题目及详细解答。其多样性体现在覆盖代数、几何、数论、组合数学等领域，每道题的解答为模型训练和评估提供参照。

MathNet设计三大核心任务：

1. 问题求解任务：考验端到端推理能力，前沿模型如Gemini-3.1-Pro准确率78.4%，GPT-5为69.3%；
2. 数学感知检索任务：首次系统评估数学等价和结构相似问题的检索能力，现有嵌入模型表现不佳；
3. 检索增强问题求解：探索检索质量对推理的影响，DeepSeek-V3.2-Speciale通过高质量检索提升12%性能。

实验结果显示，即使是最先进的推理模型在奥赛级题目上仍有提升空间（最高准确率78.4%）。同时，检索增强对数学推理性能影响显著，DeepSeek-V3.2-Speciale通过高质量检索获得12%的性能提升，证明外部知识库的重要性。

MathNet团队已将数据集和基准工具开源（地址：https://mathnet.mit.edu），为学术界和工业界提供公平全面的评估平台。对研究者，提供多语言资源；对教育从业者，可作为智能教育系统内容基础；对模型开发者，细粒度评估帮助定位优劣势。

MathNet的发布代表数学AI评估范式的演进，从单一问题求解扩展到检索能力和检索增强推理的综合评估。未来结合多模态大语言模型与MathNet这类高质量数据集，有望在自动数学推理领域取得更大突破。