AIME là chuẩn mực đo lường khả năng suy luận toán học nâng cao của các mô hình AI, được phỏng theo Kỳ thi tuyển sinh Toán học Hoa Kỳ, một kỳ thi cạnh tranh về các hàm toán học khó ở Hoa Kỳ.
AIME là viết tắt của Kỳ thi Toán Quốc tế Hoa Kỳ và là một tiêu chuẩn chuẩn ngành nhằm đo lường khả năng suy luận nhiều bước của các mô hình AI bằng cách đặt lại mục tiêu cho các câu hỏi hàng đầu từ Vòng sơ khảo Olympic Toán Trung học. Các câu hỏi ở định dạng giải pháp số nguyên (0 đến 999) và yêu cầu một chuỗi tư duy logic phức tạp thay vì các phép tính số học đơn giản, vì vậy khả năng LLM của bạn sẽ được kiểm tra. Bắt đầu từ nửa cuối năm 2024, các công ty AI đã tích cực công bố điểm số của họ, với GPT-4o ở mức khoảng 13%, DeepSeek-R1 ở mức khoảng 72% và OpenAI o3 ở mức khoảng 88%, và nó đã trở thành một chỉ số thể hiện sự khác biệt về khả năng của các mô hình suy luận cụ thể. Kể từ năm 2026, nó được sử dụng rộng rãi như một tiêu chuẩn trong lĩnh vực xác minh tính hiệu quả của chuỗi suy nghĩ và học tập tăng cường nhằm cải thiện khả năng suy luận. Một điều cần lưu ý khi sử dụng ReviewAI trong thực tế là điểm AIME cao không trực tiếp đảm bảo thành công trong các nhiệm vụ toán học trong thế giới thực như mô hình tài chính và tính toán khoa học. Người ta cũng đã chỉ ra rằng có nguy cơ học quá nhiều câu hỏi kiểm tra, vì vậy nên đánh giá tổng hợp bằng MATH và GPQA thay vì sử dụng một chỉ báo duy nhất. Theo ước tính chung, tính đến năm 2026, tỷ lệ trả lời đúng AIME 2024 trên 50% được coi là nằm ở cấp cao hơn của mô hình suy luận. Khi chọn một model, hãy nhớ kiểm tra sự khác biệt về điều kiện đo, chẳng hạn như số lần thử và cài đặt nhiệt độ.