Mathematical Reasoning on AMO-Bench (VeRA Metrics) benchmark leaderboard · SOTA2 Research

Mathematical Reasoning on AMO-Bench (VeRA Metrics)

0.56Seed (Avg@5)GPT-5.1-high

Evaluation Results

Method	Links
GPT-5.1-high2026.01		0.56	0.646	0.086	0.588	0.028
Gemini-3-Pro-Preview2026.01		0.56	0.611	0.051	0.56	0
Seed-1.6-1015-high2026.01		0.48	0.431	-0.049	0.364	-0.116
DeepSeek-V3.1-thinking2026.01		0.48	0.521	0.041	0.528	0.048
GLM-4.62026.01		0.4	0.529	0.129	0.48	0.08
Seed-1.6-Thinking-07152026.01		0.4	0.416	0.016	0.38	-0.02
GPT-5-high2026.01		0.4	0.584	0.184	0.544	0.144
Seed-1.6-Lite-1015-high2026.01		0.36	0.397	0.037	0.364	0.004
Gemini-2.5-Pro2026.01		0.28	0.435	0.155	0.376	0.096
DeepSeek-V3.2-thinking2026.01		0.28	0.516	0.236	0.46	0.18
Kimi-K2-thinking2026.01		0.22	0.265	0.045	0.172	-0.048
Minimax-M22026.01		0.2	0.366	0.166	0.284	0.084
Claude-Sonnet-4.5-thinking2026.01		0.18	0.36	0.18	0.324	0.144
qwen3-max-09232026.01		0.14	0.392	0.252	0.352	0.212
Kimi-K2-09052026.01		0.08	0.199	0.119	0.188	0.108
GPT-5.1-chat-latest2026.01		0.06	0.207	0.147	0.176	0.116