（来源：上观新闻）
这个基准出了名地⛽难——此👩🚒🤧前最好🇬🇷的AI系统只💊能完成约21%👩👦👦的评分🛎要求，而顶👨🍳🏸尖的机器学⏳🍳习博士生在48小☹🕰时内能完成约41👩🎨%⏩。DC 必须能够🎢在遵循🇨🇱🏡用户指令的前🇨🇲😙提下探索这一空间🍧💨，以实现最佳性能🇬🇵。” 同样的一▶句话，落在不同🍗⛎的人身🦡🇵🇱上，分量却截🕖然完全不同🔴。AI真人剧，🚪就这样👨👨👧👦🕣成了降本增效🈶的解药💔😀。这导致⬇🔯了“验证”成本🎽🤤居高不🚇下，通常❓估计占总支🕝出的50🗓%以上🙈🇧🇸。
这个优🔅🇸🇩势信号不再分🔫🐴配给推⏪理过程中的每一🚴♀️🇹🇲步，而是均🇳🇦🐳匀地广播给整个😯🇵🇦推理链🧥中的所有🚸步骤👟。**五🥃、数字验🇱🇾证：SP📿PO的表🗼现到底如🏣何** 论文👩通过大量实验来验🧛♂️🖖证SPP😪🐨O的实际效果，测👩👩👧🎀试平台涵盖多个🇧🇱广为认Ⓜ🇰🇭可的数学👨🎤🍶推理基准🇧🇷：AIME🖌24、AIME😥25（美国数🗒学邀请赛题目🔌🧗♀️）、AMC23（🏈👦美国数学🙋🔕竞赛）🎍、MATH🚤🚼500（5个难度👨👦🇨🇩等级的数📐学题集）以及🇹🇷🛢Min🎰erva🇹🇰 Math（需要🧞♀️定量推理能力👧的科学题目👙）↖。
