List your company

Mathematical Reasoning on MATH500 (test)

97.3AccuracyDeepSeek r1
87.62890.13992.6595.161Jan 31, 2025Apr 19, 2025Jul 6, 2025Sep 22, 2025Dec 9, 2025Feb 25, 2026May 15, 2026

Evaluation results

MethodLinks
DeepSeek r1Model Type=Open Weights, Fine-tuning examples=>800K2025.0197.3——————————————————————————————————————————————————
SpecExitBase Model=Qwen3-4B-Thinking-25072026.0296.8————————0.3679—4,777———————————————————————————————————————
ThinkBase Model=Qwen3-4B-Thinking-25072026.0296.6————————0.5301—6,719———————————————————————————————————————
NoThink*Base Model=Qwen3-4B-Thinking-25072026.0296.6————————0.4885—6,395———————————————————————————————————————
EAGLE3Base Model=Qwen3-4B-Thinking-25072026.0296.6————————0.3957—6,670———————————————————————————————————————
Ada-R1Method Category=Training-based2026.0196.4——————————————3,746———————————————————————————————————
RPAMMethod Category=Data-dependent Merging2026.0196.4——————————————3,191———————————————————————————————————
S-GRPOBackbone=Qwen3-14B2026.0496.4————————————————————————————2,652—————————————————————
Task ArithmeticMethod Category=Data-free Merging2026.0196.2——————————————3,720———————————————————————————————————
CoDiQ-L1-4BParameters=4B, Curriculum Stage=L12026.0296——————————————————————————————————————————————————
CoDiQ-L3-4BParameters=4B, Curriculum Stage=L32026.0296——————————————————————————————————————————————————
Qwen3-4B-ThinkingMethod Category=Base Model, Thinking Strategy=Long-CoT2026.0196——————————————6,125———————————————————————————————————
RL + Length PenaltyBackbone=Qwen3-14B2026.0495.8————————————————————————————2,866—————————————————————
Average MergingMethod Category=Data-free Merging2026.0195.4——————————————3,422———————————————————————————————————
VanillaBackbone=Qwen3-14B2026.0495.4————————————————————————————4,503—————————————————————
Qwen3-RL-4BParameters=4B, Type=Baseline, Training=Reinforcement Learning2026.0295.2——————————————————————————————————————————————————
TIES MergingMethod Category=Data-free Merging2026.0195.2——————————————3,411———————————————————————————————————
DTSRBackbone=Qwen3-14B2026.0495————————————————————————————2,247—————————————————————
o1Model Type=API only, Fine-tuning examples=N.A.2025.0194.8——————————————————————————————————————————————————
CoDiQ-L2-4BParameters=4B, Curriculum Stage=L22026.0294.8——————————————————————————————————————————————————
CoDMethod Category=Prompt-guided2026.0194.8——————————————3,106———————————————————————————————————
AIMMethod Category=Data-dependent Merging2026.0194.8——————————————2,923———————————————————————————————————
Qwen3-8B (SFT Only)Training=NO, Mode=None, Test Setting=Think, Model=Qwen3-8B2026.0194.6———————————————5,557——————————————————————————————————
Qwen3-4B-InstructMethod Category=Base Model, Thinking Strategy=Short-CoT2026.0194.5——————————————1,670———————————————————————————————————
Qwen3-4BParameters=4B, Type=Baseline2026.0294.4——————————————————————————————————————————————————
OriginalSetting=Think, Backbone=Qwen3-14B2026.0194.4——————————————4,904———————————————————————————————————
DEERBase Model=Qwen3-4B-Thinking-25072026.0294.4————————0.5196—4,893———————————————————————————————————————
r1-distillModel Type=Open Weights, Fine-tuning examples=800K2025.0194.3——————————————————————————————————————————————————
DARE-LinearMethod Category=Data-free Merging2026.0194.2——————————————3,858———————————————————————————————————
Mid-ThinkTraining=RL, Mode=Mid-Think, Test Setting=Think, Model=Qwen3-8B2026.0194.1———————————————5,302——————————————————————————————————
InftyThink+Base Model=Qwen3-4B-Base, RL Setting=Task reward only2026.0294.09————————120.16—6.01———————————————————————————————————————
Qwen3-4B (Baseline)Training=NO, Mode=None, Test Setting=Think2026.0194——————————————5,334———————————————————————————————————
ACMMethod Category=Data-dependent Merging2026.0194——————————————3,208———————————————————————————————————
Qwen3-4B (RL-No-Think)Training=RL, Mode=No-Think, Test Setting=Think2026.0193.9——————————————7,458———————————————————————————————————
Qwen3-4B (Mid-Think)Training=RL, Mode=Mid-Think, Test Setting=Think2026.0193.9——————————————5,456———————————————————————————————————
Qwen3-8B (RL Think)Training=RL, Mode=Think, Test Setting=Think, Model=Qwen3-8B2026.0193.6———————————————4,568——————————————————————————————————
Qwen3-8B (RL No-Think)Training=RL, Mode=No-Think, Test Setting=Think, Model=Qwen3-8B2026.0193.6———————————————6,335——————————————————————————————————
PIRBackbone=DeepSeek-R1-32B2026.0293.2——————————————1,485.36———————————————————————————————————
PROMPTCOT-DS-7BBase Model=DeepSeek-R1-Distill-Qwen-7B, Reasoning Strategy=long-CoT, Parameters=7B2025.0393——————————————————————————————————————————————————
S1-32BNumber of Parameters=32B2025.0393——————————————————————————————————————————————————
PROMPTCOT-DS-7BNumber of Parameters=7B2025.0393——————————————————————————————————————————————————
Bespoke-32BModel Type=Open Weights and Open Data, Fine-tuning examples=17K2025.0193——————————————————————————————————————————————————
s1-32BModel Type=Open Weights and Open Data, Fine-tuning examples=1K, Budget Forcing=true2025.0193——————————————————————————————————————————————————
SPIRALFamily=DeepSeek-Distill-Qwen-7B Family, Game=Multi-Game2025.0693——————————————————————————————————————————————————
Solver + Verifier (AstraFlow)Backbone=Qwen3-8B, Framework=AstraFlow, Time/iter (s)=77.652026.0592.9——————————————————————————————————————————————————
VanillaBase Model=Qwen3-4B-Base, RL Setting=Task reward only2026.0292.89————————254.09—6.32———————————————————————————————————————
InftyThink+Base Model=Qwen3-4B-Base, RL Setting=Task + efficiency reward used2026.0292.64————————58.67—3.41———————————————————————————————————————
s1 w/o BFModel Type=Open Weights and Open Data, Fine-tuning examples=1K, Budget Forcing=false2025.0192.6——————————————————————————————————————————————————
SFT + RLModel=Qwen3-8B, Tokens=16712026.0492.6——————————————————————————————————————————————————
Qwen3-4B (RL-Think)Training=RL, Mode=Think, Test Setting=Think2026.0192.4——————————————4,061———————————————————————————————————
Laser-DEBackbone=DeepSeek-Distill-Qwen-7B2025.0992.4——————————————————1,942———————————————————————————————
Fixed TokensSetting=5k tokens, Backbone=Qwen3-14B2026.0192.2——————————————4,136———————————————————————————————————
DiPOModel=Qwen3-4B, Temperature=Constant, Maximum context length=8K tokens2026.0192.2———————————51.3——————1,354.8———————————————————————————————
Mid-ThinkSetting=training-free, Backbone=Qwen3-14B2026.0192.1——————————————2,589———————————————————————————————————
SpecReasonBackbone=DeepSeek-R1-32B2026.0292——————————————2,380.78———————————————————————————————————
BaseBackbone=DeepSeek-Distill-Qwen-7B2025.0992——————————————————2,918———————————————————————————————
Laser-DBackbone=DeepSeek-Distill-Qwen-7B2025.0992——————————————————1,950———————————————————————————————
InftyThink+Base Model=Qwen3-4B-Base, RL Setting=Cold start only (No RL)2026.0291.99————————85.66—4.64———————————————————————————————————————
VanillaBase Model=Qwen3-4B-Base, RL Setting=Cold start only (No RL)2026.0291.97————————139.6—4.52———————————————————————————————————————
TALE-EPModel=Qwen3-4B, Temperature=Constant, Maximum context length=8K tokens2026.0191.8———————————38.8——————2,046.1———————————————————————————————
SFTFamily=DeepSeek-Distill-Qwen-7B Family, Protocol=Multi2025.0691.8——————————————————————————————————————————————————
DeepSeek-R1-Distill-Qwen-7BReasoning Strategy=long-CoT, Parameters=7B, Reproduced with Paper Prompt=true2025.0391.6——————————————————————————————————————————————————
Qwen3-8B (RL No-Think)Training=RL, Mode=No-Think, Test Setting=No-think, Model=Qwen3-8B2026.0191.6———————————————2,268——————————————————————————————————
DAPOBackbone=DeepSeek-Distill-Qwen-7B2025.0991.6——————————————————2,720———————————————————————————————
InftyThink+Base Model=DeepSeek-R1-Distill-Qwen-1.5B, RL Setting=Task reward only2026.0291.56————————34.26—6.1———————————————————————————————————————
SFTBackbone=DeepSeek-Distill-Qwen-7B2025.0991.4——————————————————2,568———————————————————————————————
Fixed TokensSetting=3k tokens, Backbone=Qwen3-14B2026.0191.2——————————————3,315———————————————————————————————————
Prompt-basedSetting=Prompt, Backbone=Qwen3-14B2026.0191.2——————————————3,131———————————————————————————————————
JETBackbone=DeepSeek-Distill-Qwen-7B2025.0991.2——————————————————2,091———————————————————————————————
SFT + RLModel=Qwen3-4B, Tokens=15232026.0491.2——————————————————————————————————————————————————
Fixed TokensSetting=4k tokens, Backbone=Qwen3-14B2026.0190.8——————————————3,793———————————————————————————————————
DeepSeek-Distill-Qwen-7BFamily=DeepSeek-Distill-Qwen-7B Family2025.0690.8——————————————————————————————————————————————————
Abstract-CoT (Warm-up + RL)Model=Qwen3-8B, Tokens=1442026.0490.8——————————————————————————————————————————————————
Solver + Verifier (verl)Backbone=Qwen3-8B, Framework=verl, Time/iter (s)=212.642026.0590.7——————————————————————————————————————————————————
QwQ-32BNumber of Parameters=32B2025.0390.6——————————————————————————————————————————————————
QwQ-32BModel Type=Open Weights, Fine-tuning examples=N.A.2025.0190.6——————————————————————————————————————————————————
prompt to conciseBackbone=DeepSeek-R1-32B2026.0290.5——————————————2,161.51———————————————————————————————————
SolverBackbone=Qwen3-8B2026.0590.5——————————————————————————————————————————————————
DeepSeek-R1-Distill-Qwen-32BNumber of Parameters=32B, Prompting Strategy=reproduced using our prompt2025.0390.4——————————————————————————————————————————————————
DEERBackbone=DeepSeek-R1-32B2026.0290.4——————————————1,280.75———————————————————————————————————
Specutive ThinkingBackbone=DeepSeek-R1-32B2026.0290.4——————————————1,943.84———————————————————————————————————
o1-miniModel Type=API only, Fine-tuning examples=N.A.2025.0190——————————————————————————————————————————————————
VTC-R1Backbone=Qwen3-VL-8B2026.0190————————2.49—3.39———————————————————————————————————————
SFTModel=Qwen3-4B, Temperature=Constant, Maximum context length=8K tokens2026.0190———————————31.8——————3,185.3———————————————————————————————
CoDModel=Qwen3-4B, Temperature=Constant, Maximum context length=8K tokens2026.0190———————————47.4——————1,786.4———————————————————————————————
s1-32BBackbone=DeepSeek-R1-32B2026.0290——————————————2,922.14———————————————————————————————————
DPOBackbone=DeepSeek-Distill-Qwen-7B2025.0990——————————————————2,590———————————————————————————————
InftyThink+Base Model=DeepSeek-R1-Distill-Qwen-1.5B, RL Setting=Task + efficiency reward used2026.0289.96————————17.71—3.36———————————————————————————————————————
SFT (CoT)Model=Qwen3-8B, Tokens=15222026.0489.8——————————————————————————————————————————————————
Abstract-CoT (Warm-up + RL)Model=Qwen3-4B, Tokens=1412026.0489.8——————————————————————————————————————————————————
VanillaBase Model=DeepSeek-R1-Distill-Qwen-1.5B, RL Setting=Task reward only2026.0289.63————————56.05—5.93———————————————————————————————————————
Fixed TokensSetting=2k tokens, Backbone=Qwen3-14B2026.0189.6——————————————2,673———————————————————————————————————
Bidirectional Curriculum Generation (Round 3)Data Volume=4,5942026.0389.2——————————————————————————————————————————————————
Bidirectional Curriculum Generation (Round 4)Data Volume=5,8732026.0389.2——————————————————————————————————————————————————
DPOModel=Qwen3-4B, Temperature=Constant, Maximum context length=8K tokens2026.0188.8———————————31.3——————3,181———————————————————————————————
Stepwise InternalizationModel=Qwen3-8B, Tokens=1692026.0488.6——————————————————————————————————————————————————
Qwen3-4B (RL-No-Think)Training=RL, Mode=No-Think, Test Setting=No-think2026.0188.4——————————————3,234———————————————————————————————————
SFT (CoT)Model=Qwen3-4B, Tokens=13962026.0488.4——————————————————————————————————————————————————
QwQ-32BBackbone=QwQ-32B2026.0288——————————————3,318.15———————————————————————————————————
Evo-L2S (Accuracy)Model Scale=7B, Merging Strategy=Single-Objective Evolutionary Merging2026.0488————————————————————————————1,792.2—————————————————————