FrontierMath

如果你要看“模型数学推理是否真的进步”，FrontierMath 值得采用；如果你想找可直接接入业务流程的开发工具、训练框架或做题应用，它并不是这类产品。更准确地说，它更像高难数学能力基准与评测项目，接近“排行榜+题库方法学”，而不是通用数学 agent、在线课程平台或开源推理库。

它的实际作用，是给研究者、模型实验室和关注能力边界的人一个更难、更强调推理的测试面。现有证据主要来自 Epoch AI 官方在 X 的连续发布：包含项目上线、不同模型成绩、Tier 1–4 v2 更新，以及 Open Problems 中有题目被 AI 解出的通报。这些信息能支持它“被持续维护、能区分前沿模型表现”的判断，但更偏评测结果披露，不等于普通用户能直接复现完整流程。

门槛与成本方面，证据没有给出官方定价、API 费用或公开商用方案，所以只能保守说：采用成本主要在高水平评测组织能力，而不是软件订阅费。对一般开发者来说，难点在题目质量控制、答案判分与复核。尤其官方自己披露过 Tier 1–4 审核中约三分之一题目被标记出致命错误，后续 v2 又称修正了 42% 题目错误，这说明团队重视校准，但也说明此类超难基准维护成本高、版本差异不可忽视。

适合的人群，是做模型评测、AI 安全/能力研究、关注数学推理上限的机构；不太适合只想快速比较日常 coding/办公模型的人，也不适合把它当教学练习册。社媒共识上，它的热度证明很强：多条官方推文有高转发和高浏览，说明行业非常关注前沿模型在此基准上的排名变化。但好用证明相对有限：目前给到的 evidenceSources 几乎全是官方 X 帖，实测、第三方长文、教程和独立复现样本不足，讨论质量属于“官方更新密集、转发较多，但外部深度验证有限”，因此对能力与门槛的判断应保持保守。