MATH là bộ dữ liệu điểm chuẩn bao gồm 12.500 bài toán cấp độ thi cấp trung học (mức độ khó từ 1 đến 5) và được sử dụng rộng rãi để đo lường khả năng suy luận toán học của học sinh LLM.
MATH là bộ dữ liệu bao gồm 12.500 câu hỏi cấp độ thi toán trung học (độ khó từ 1 đến 5) trong các lĩnh vực như đại số, hình học, xác suất và lý thuyết số và được cho là được sử dụng rộng rãi như một chỉ số để đo lường khả năng suy luận toán học ở nhiều cấp độ của học sinh LLM. Không giống như GSM8K, tập trung vào các bài toán đố cấp tiểu học, MATH bao gồm các bài toán đòi hỏi tư duy chứng minh phức tạp hơn nên thường được dùng làm chỉ số để đo mức trần khả năng suy luận của mô hình. Trong hoạt động thực tế tính đến năm 2026, nhiều mô hình mới nhất đã đạt được điểm TOÁN trên 90% và một số người đã chỉ ra rằng bản thân khả năng phân biệt đối xử của điểm chuẩn đang suy yếu. Vì lý do này, trong lĩnh vực này, người ta nói rằng ngày càng có nhiều trường hợp trong đó khả năng của một mô hình không chỉ được đánh giá bằng điểm MATH mà bằng cách kết hợp nó với các điểm chuẩn kế thừa khó hơn (chẳng hạn như chuỗi AIME hoặc bộ bài toán cấp đại học). Khi xây dựng quy trình đánh giá nội bộ, số giờ công cần thiết để cấp phép cho các bộ vấn đề và kiểm tra mức độ nhiễm bẩn của dữ liệu học tập cũng cần được tính đến khi đưa ra lựa chọn.