Qwen3 数学推理基准 — AIME / MATH / GSM8K 成绩
数学基准测试
数学推理是 Qwen3 思考模式的"杀场"——需要多步推理、中间计算、自我检查，思考模式完美匹配这些特征。
AIME
AIME（American Invitational Mathematics Examination）是美国数学奥林匹克选拔赛级别。
| 模型 | 非思考 | 思考模式 |
|---|---|---|
| Qwen3-235B-A22B | ~30% | ~85% |
| Qwen3-32B | ~15% | ~60% |
| Qwen2.5-72B-Instruct | ~20% | N/A |
| QwQ-32B（纯推理） | N/A | ~55% |
Qwen3-235B-A22B 在思考模式下的 AIME 成绩远超此前开源最强的 QwQ-32B，虽然激活参数只有它的十分之一。
MATH
MATH 数据集包含多个数学领域的竞赛题。
| 模型 | 非思考 | 思考模式 |
|---|---|---|
| Qwen3-235B-A22B | ~45% | ~70% |
| Qwen3-32B | ~35% | ~55% |
| Qwen2.5-72B-Instruct | ~40% | N/A |
GSM8K
GSM8K 是小学数学应用题基准，相对简单。
| 模型 | 非思考 | 思考模式 |
|---|---|---|
| Qwen3-235B-A22B | ~88% | ~96% |
| Qwen3-32B | ~80% | ~92% |
| Qwen3-8B | ~70% | ~85% |
GSM8K 上即使是小模型，思考模式也能带来不错提升。
思考模式为什么提升数学
- 中间计算写在思考链中，不依赖短期记忆
- 可以反复检查计算过程
- 卡住了可以换思路再试
- 自我验证答案是否合理
数学任务的推荐配置
- 云端 qwen3-max + 思考模式：最佳数学能力
- 本地 32B/30B-A3B + 思考模式：离线可用
- 任何规模模型 + 思考模式：数学题都比非思考好