Xiaojun Wu

• LeaderBoard: TB-MathModel Leaderboard
• Github: https://github.com/wxj630/terminal-bench-math-modeling

由于agent时代token花费如流水，快速且性能不俗的Flash模型隐隐有成为agent主力的趋势！ 接下来我们测评下国模三大Flash模型，

• 当红炸子鸡“牛来”的GLM-5.3-Flash（刚想测评那天ox-alpha限免结束了只能自掏腰包测评），
• 号称下一代架构的Qwen-3.8-Flash，
• 对上老牌性价比之王Deepseek-V4-Falsh-0731！还
• 有在我们TB-MathModel评测上令人惊喜的本地部署之王Qwen-3.8-27B!

当然，这里的评测主要是数学建模和计算代码求解领域；这份榜单主要用于自己测试和观察各大模型的性价比，方便后续挑选使用，不能代表各家模型的综合能力。若还有其他模型想一起测，也欢迎私信补充测评对象。

每个任务我们给足4个小时的agent执行时间。

一、省流版

如果只看 TB-MathModel 这 18 道题，三家 Flash 的结论其实很清楚：

1. DeepSeek-v4-Flash-0731 最稳，O-Eval 最高，成本也最低。
2. GLM-5.3-Flash 最会追分，Robust BO-Eval 最高，说明它在 baseline 弱项上追回得更猛。
3. Qwen3.8-Flash（百炼）这轮最吃亏，总分最低，成本最高，而且还有两个最终超时失败。

一句话说完就是：

如果只选一个主力，先选 DeepSeek-v4-Flash；如果更想看谁会在弱项上狠狠干一把，GLM-5.3-Flash 更有故事；Qwen3.8-Flash 这轮不太适合当主力。

我觉得可能某种意义上Qwen3.8-Flash总参数量最少、激活参数量也最少可能拖累了他的性能：

• DeepSeek-V4-Flash：284B 总参数，13B 激活参数。(​huggingface.co)
• GLM-5.3-Flash：320B 总参数，18B 激活参数。(​docs.z.ai)
• Qwen3.8-Flash-Next：125B 主模型参数，外加 51B n-gram embedding；每 token 激活 6B。如果把 embedding 也算进总量，可以记成约 176B / 6B。(​huggingface.co)

我们到底怎么比

TB-MathModel 不是在比谁会写一篇看起来最像论文的报告，而是在比：给完整赛题、附件、终端环境之后，模型最后能不能把关键数值真的做出来。

所以我们用了两把尺子：

O-Eval = direction-aware raw / O raw

它看的是绝对能力，回答的是“离优秀论文复现答案有多近”。

Robust BO-Eval 则看相对 v4 flash baseline 的稳健增益：

• O raw - flash raw >= 0.10 时，用追回比例，但截到 [-100%, +100%]
• 分母太小的时候，不再硬算比例，改成 clipped B-Eval，也就是把 model raw - flash raw 截到 [-10pp, +10pp]
• trial 最后没有产出可评分结果时，直接记 -100%

所以这两个指标本来就不是一回事：

• O-Eval 看的是绝对分
• Robust BO-Eval 看的是相对追赶

v4 flash 在这里是基线，不参与追赶，所以它的 Robust 值天然是 0。

三家 Flash 的成绩单

这个表一眼就能看出来三件事：

• DeepSeek-v4-Flash 最划算
• GLM-5.3-Flash 更会追 baseline
• Qwen3.8-Flash 最费 token，也最不稳

二、三个Flash模型主要表现

1. DeepSeek-v4-Flash-0731

这轮里它是最像“默认主力”的那个。

它的 O-Eval 最高，说明它和优秀论文复现答案的贴合度最好；同时它的成本也是最低的。对于 agent 场景来说，这一点很关键，因为真正烧钱的不是一次回答，而是读题、写代码、跑求解器、调参、重试、补结果的一整串动作。

能在最便宜的前提下把绝对分做到最高，这个模型就很适合做首选基线。

2. GLM-5.3-Flash

GLM-5.3-Flash 的故事更像“追分型选手”。

它的 O-Eval 比 DeepSeek-v4-Flash 低一点，但 Robust BO-Eval 反而更高，说明它在一些 baseline 弱项上追得更猛。换句话说，它不是最贴近 O 的那个，但它更擅长在某些题上把 flash baseline 甩开。

这就是为什么它在 Robust 图里会显得特别亮眼。

如果关心的是“相对便宜 baseline 到底能不能被狠狠干掉”，GLM-5.3-Flash 很值得看； 但如果关心的是“谁最接近 O 奖答案”，它就不是第一。

3. Qwen3.8-Flash（百炼）

Qwen3.8-Flash 这轮最大的问题不是“没跑完”，而是“跑完了也不够稳”。

它确实覆盖了 18 题，但只有 16 个有效完成，另外 2 个是最终超时失败。更关键的是，它在 MCM 上明显弱一些，Robust 还是负的。

再加上它的 token footprint 很大，输入、缓存、输出三项都重，所以最后就会显得特别贵。

所以这轮给人的直观感受就是：

花得最多，分却不是最漂亮。

为什么 O-Eval 和 Robust 会“看起来打架”

它们本来就是两把不同的尺子。

O-Eval 问的是：你离优秀论文复现答案有多近？

Robust BO-Eval 问的是：你比便宜 baseline 多追回了多少？

所以很自然会出现这种情况：

• 有些模型绝对分更高，但相对追赶没那么猛
• 有些模型在 baseline 弱项上追得很凶，但绝对贴合度还是不如另一个模型

这不是矛盾，是互补。

论文主榜应以 O-Eval 为主； 分析图则更适合保留 Robust，用来解释“为什么某些模型在某些题上特别会追分”。

最后怎么选

如果只给一句最实用的建议：

• 默认主力：DeepSeek-v4-Flash-0731
• 看相对追分能力：GLM-5.3-Flash
• 这轮不建议作为主力：Qwen3.8-Flash（百炼）

下一篇将把这三家在 18 题里的具体题目、轨迹和可行解拆开讲，看看它们到底是在哪些题上赢、在哪些题上翻车。

不过这件事也不用等下一篇了，既然大家最关心的是“到底哪几题赢、哪几题翻车”，我们就直接在这篇拆完。

三、结果可视化

先放主指标。这里的 O-Eval 是这篇文章最建议看的主榜：它把每个模型的结果和 O 奖复现答案对齐，问的是“平均离人类优秀解有多近”。这张图最直接的结论是，Qwen3.8-27B-FP8 thinking 把总分抬到最高；如果只看 Flash，则 DeepSeek-v4-Flash 最强，GLM-5.3-Flash 次之，Qwen3.8-Flash 最弱。也就是说，这一轮的绝对效果上限和性价比主力并不是同一个模型。

再看 O-Eval 和成本。横轴是估算人民币成本，纵轴是 O-Eval，越靠左上越好。这个图最有意义的地方，不是单看谁分更高，而是直接告诉读者“谁更值”：DeepSeek-v4-Flash 同时把高分和低成本都做到了，落在最理想的左上角；GLM-5.3-Flash 的分数不差，但成本明显更高；Qwen3.8-Flash 又贵又低分，性价比最差；Qwen3.8-27B-FP8 thinking 则把分数继续往上抬了一档，但代价是成本也大幅上升，所以它更像效果上限，不像便宜主力。

然后是 Robust BO-Eval。它不是主榜，而是辅助图：它回答的是“相对 DeepSeek-v4-Flash baseline，这个模型在 baseline 弱的地方多追回了多少”。这张图最有用的地方，是把“追分型模型”和“绝对分高但不一定最会追分的模型”分开：GLM-5.3-Flash 和 Qwen3.8-27B-FP8 thinking 都属于追分能力比较强的一档，而 Qwen3.8-Flash 则整体偏负，说明它没有把 baseline 的优势真正转化成更强的可验证结果。

把 Robust 和成本放在一起后，图就进一步说明了“追分值不值钱”：GLM-5.3-Flash 在 Flash 里是最亮眼的追分型选手，Qwen3.8-27B-FP8 thinking 则把追分上限继续往上抬，但代价更高；Qwen3.8-Flash 既没有便宜多少，也没有换来同等强度的追分回报。

再把年份、赛制、token、成本也放出来。这里不再放 Raw effect，也不再汇报 BO-only，因为绝对 raw 没有跨题可比性，BO-only 又太容易被小分母离群点带偏。

年份拆分告诉读者，模型波动很大一部分来自题目年份而不是模型名称本身。最明显的是 2024：几乎所有模型在 2024 都明显低于 2023 和 2025，说明这一年题目对长程建模、约束处理和可执行求解更不友好。三家 Flash 里，DeepSeek-v4-Flash 在 2023 领先、2025 和 GLM-5.3-Flash 很接近；GLM-5.3-Flash 在 2024 没有被明显甩开，但整体 O-Eval 仍低于 DeepSeek；Qwen3.8-Flash 则在 2024 掉得最明显。Qwen3.8-27B-FP8 thinking 的作用更像“大模型上限参照”：它在 2024 仍能拿到这组里最高的 52.82%，但没有把所有年份都碾开

赛制拆分更直接：CUMCM 整体比 MCM 更适合这批模型，几乎所有模型在 CUMCM 上都明显高于 MCM。DeepSeek-v4-Flash 是 96.59% vs 47.38%，GLM-5.3-Flash 是 92.30% vs 38.88%，Qwen3.8-Flash 是 78.14% vs 34.84%；Qwen3.8-27B-FP8 thinking 的差距更大，CUMCM 到 112.91%，MCM 只有 37.98%。这说明 TB-MathModel 不是只在测“会不会写代码”，MCM 题里更强的开放假设、英文题面理解、长报告组织和软约束权衡，会把模型真实短板暴露出来。可能是因为这几个模型都是国模所以更擅长国赛吧hhhh

Token 图说明，“说得多”不等于“做得好”。Qwen3.8-Flash 的 token footprint 最大，却没有把这些 token 转成更高主分；Qwen3.8-27B-FP8 thinking 的 token 数不算最高，但由于单价更高，所以最终仍然很贵。

成本图把上面的 token 差异直接翻成真金白银：DeepSeek-v4-Flash 仍然最省，GLM-5.3-Flash 和 Qwen3.8-Flash 明显更贵，而 Qwen3.8-27B-FP8 thinking 虽然 token 不算最多，却因为单位价格更高，最终花费最高。

四、三家 Flash 逐题总表

下面这张表只看三家 Flash：DeepSeek-v4-Flash-0731、GLM-5.3-Flash、Qwen3.8-Flash。每个单元格写成：

O-Eval / Robust BO-Eval

其中 O-Eval 是主分，Robust BO-Eval 是辅分。失败、超时、没有可评分 artifact 的题，O-Eval 按 0 进平均，Robust BO-Eval 按 -100% 进平均。

如果只看这张逐题表，三家模型的性格就很清楚了：

• DeepSeek-v4-Flash：不是每题都赢，但强题很多，而且便宜。尤其 CUMCM 2023 C、CUMCM 2024 B、CUMCM 2025 C、MCM 2023 A、MCM 2025 C，这些题把它的 O-Eval 主分托得很稳。
• GLM-5.3-Flash：最有“追分感”。它在 CUMCM 2025 A、MCM 2023 C、MCM 2024 B、MCM 2024 C 这几题上明显赢过 baseline，所以 Robust BO-Eval 很高。
• Qwen3.8-Flash：波动最大。有 CUMCM 2023 A、CUMCM 2023 B、CUMCM 2025 B、MCM 2025 B 这种好题，也有 CUMCM 2024 B、CUMCM 2025 A 这种超时失败题，再加上 token 太多，所以整体不适合当这轮的默认主力。

为什么 GLM 的 Robust 高，但 O-Eval 没赢 DeepSeek

这个问题很容易让人误会：是不是两个指标互相矛盾？

不是。

O-Eval 是看离 O 奖复现答案有多近。
Robust BO-Eval 是看比 DeepSeek-v4-Flash baseline 多追回多少。

GLM-5.3-Flash 的 O-Eval 是 65.59%，低于 DeepSeek-v4-Flash 的 71.98%。这说明从“平均接近 O 奖复现答案”这个角度，DeepSeek 仍然更好。

但 GLM 的 Robust BO-Eval 是 9.48%，高于 baseline 的 0%。这是因为 GLM 正好在一些 baseline 弱项上追得非常明显：

• MCM 2023 C：DeepSeek 0%，GLM 56.58%
• MCM 2024 B：DeepSeek 17.60%，GLM 63.24%
• MCM 2024 C：DeepSeek 50.72%，GLM 77.33%
• CUMCM 2025 A：DeepSeek 72.79%，GLM 255.27%
• CUMCM 2025 B：DeepSeek 14.32%，GLM 30.95%

这些题会把 GLM 的 Robust 拉上去。

但反过来，DeepSeek 在另一些题上的绝对成绩更强：

• CUMCM 2023 C：DeepSeek 213.50%，GLM 170.76%
• CUMCM 2024 B：DeepSeek 137.88%，GLM 39.02%
• CUMCM 2025 C：DeepSeek 152.03%，GLM 107.31%
• MCM 2023 A：DeepSeek 154.10%，GLM 116.34%
• MCM 2025 C：DeepSeek 177.39%，GLM 18.61%

所以结论应该这样读：

O-Eval 负责主排名，Robust BO-Eval 负责解释相对 baseline 的局部追赶。

如果要在论文里放一个主榜，O-Eval 应放在最前；如果要讲模型能力差异，Robust 更适合作为旁边的诊断图。它不是来推翻主榜的，而是告诉读者：有些模型不是平均最强，但在某些题型上真的有自己的杀招。

轨迹和可行解到底怎么看

TB-MathModel 和“看报告打分”的 benchmark 不一样。这里不是让模型只写一篇漂亮论文，而是给它赛题、附件、终端环境，让它自己读数据、写代码、跑求解、导出结果，最后由 verifier 检查关键字段。

所以看一个模型答案时，主要看三层：

1. 有没有 artifact：有没有最后写出 /root/results/*_result.json 这种可评分结果。
2. 有没有关键数值：结果 JSON 里的字段是否能被评测器读到，单位和方向是否合理。
3. 轨迹是否像真的求解：trajectory 里是不是有读题、读附件、写 Python、调用数值库/优化库、跑出中间结果、再汇总结果的过程。

注意，这里的“可行解”不是说它一定已经达到人类论文的所有严谨性。它更准确的意思是：

在统一环境里，模型给出了能被程序化 verifier 检查的关键数值答案。

这比纯文本报告评分强很多，因为它至少逼模型真的跑代码、真的交结构化结果；但它也不是万能的。比如某些题的 O-Eval 超过 100%，可能是模型在某些指标上比 O 奖复现答案更激进，也可能是评测指标没有覆盖所有隐含约束。所以看到 145%、255% 这种分数时，不能简单理解成“模型真实世界里吊打人类”，而应该理解成：

在当前可验证指标上，它交出了比 O 锚点更优的若干关键数值。

这也是我们为什么要引入 Robust BO-Eval：小分母、过度优化、局部超分都不能让它无限爆炸，赢很多和输很多都一起截断。

四、Qwen3.8-27B-FP8 thinking：和三家 Flash 放一起看

如果把 Qwen3.8-27B-FP8 thinking 和这三家 Flash 摆在同一张桌上，它的位置其实非常清楚：

它是这组结果里绝对分最高的那个，但也是最贵的那个。
这是因为他是一个Dense模型，其实是激活参数量反而比3个Flash模型多，但是他的优势是总参数量小，本地部署比较方便。对比下：

• DeepSeek-V4-Flash：284B 总参数，13B 激活参数。(huggingface.co)
• GLM-5.3-Flash：320B 总参数，18B 激活参数。(docs.z.ai)
• Qwen3.8-Flash-Next：125B 主模型参数，外加 51B n-gram embedding；每 token 激活 6B。如果把 embedding 也算进总量，可以记成约 176B / 6B。(huggingface.co)

这张表一眼就能说明为什么 Qwen3.8-27B 看起来“效果这么好、cost 也这么高”：

1. 绝对分确实更高。 它的 O-Eval 是 75.45%，比 DeepSeek-v4-Flash 高 3.47 个百分点，比 GLM-5.3-Flash 高 9.86 个百分点，比 Qwen3.8-Flash 高 18.96 个百分点。
2. 代价也确实更高。 它的估算成本是 ¥189.88，约是 DeepSeek-v4-Flash 的 36 倍、GLM-5.3-Flash 的 9.7 倍、Qwen3.8-Flash 的 3.2 倍。 也就是说，Qwen27B 不是“白捡来的高分”，而是用更重的模型体量和更长的思考过程换来的。
3. 它更像“绝对上限”，不是“性价比冠军”。 Flash 三家里，DeepSeek 是最稳最省的，GLM 是最会追分的，Qwen Flash 是最费 token 的；而 Qwen27B 则是在这个价格带上把绝对效果再往上抬一档。

如果再看年均和赛制拆分，这个结论会更清楚：

• 2023 / 2024 / 2025 年均 O-Eval：95.23% / 52.82% / 78.29%
• CUMCM / MCM 平均 O-Eval：112.91% / 37.98%

这说明它特别强在 CUMCM 这类几何、物理、优化混合题上，尤其是：

• CUMCM 2023 A / B
• CUMCM 2024 B
• CUMCM 2025 A / C

这些题上它经常能把 Flash 三家都压过去。 但它也不是全能：像一些生态、社会数据、预测类 MCM 题，Flash 里偶尔会有人反超，尤其 Qwen3.8-Flash 在个别题上会非常亮。

所以如果把这四个模型合在一起看，最准确的说法不是“谁绝对碾压谁”，而是：

• DeepSeek-v4-Flash：默认主力，便宜、稳、总分高
• GLM-5.3-Flash：追分型选手，特别擅长在 baseline 弱题上拉开差距
• Qwen3.8-Flash：波动大，个别题能爆，但整体性价比不漂亮
• Qwen3.8-27B-FP8 thinking：绝对上限更高，适合看“再往上还能抬多少”，但不适合当便宜主力

换句话说，Flash 这三家更像是性价比战场；Qwen27B 更像是效果天花板。

五、三家 Flash 的最终判断

如果把 18 题的轨迹和结果放在一起看，我的判断比只看总表更坚定：

DeepSeek-v4-Flash-0731 是这轮最适合当默认主力的 Flash。 它不是每题都赢，但 O-Eval 最高、成本最低，强题覆盖面也够大。

GLM-5.3-Flash 是最值得单独观察的追分型 Flash。 它在一些 baseline 弱项上确实有惊喜，尤其烟幕、Wordle、潜水器搜索、网球动量。但它也有 CUMCM 2023 A 超时和若干强 baseline 题掉队的问题，所以不应该用 Robust 辅分替代 O-Eval 主榜。

Qwen3.8-Flash 这轮不适合作为默认主力。 它有亮点，尤其定日镜、多波束、朱诺旅游；但两个超时失败加上极高 token 消耗，让它的综合性价比很难看。

所以这篇的最终结论还是那句话：

主榜看 O-Eval：DeepSeek-v4-Flash 更强、更稳、更便宜。 辅榜看 Robust BO-Eval：GLM-5.3-Flash 在 baseline 弱项上更会追分。 Qwen3.8-Flash 不是没亮点，而是这轮波动和成本都太大。

后面我们出一篇专门讲 Qwen3.8-27B-FP8 thinking。它是另一个故事：27B、本地 H800、thinking-on，却在 TB-MathModel 上打出了非常不符合直觉的强效果，值得单独开一篇慢慢拆。

附录、18 道题逐题拆解

CUMCM 2023 A：定日镜场设计

这题是解析几何、物理仿真和运筹优化的组合题。模型要处理太阳高度角、DNI 辐照、镜面反射、遮挡、截断效率、镜场面积和镜子数量。

三家 Flash 里 Qwen3.8-Flash 最高，O-Eval 145.59%；DeepSeek-v4-Flash 也很稳，96.70%；GLM-5.3-Flash 没跑出可评分结果。本题最重要的坑是：O raw 和 baseline raw 太近，O - B 只有约 0.033，所以旧 BO-Eval 会把 37 对 32 这种差距放大成 841% 这种离群点。现在 Robust 只给 Qwen 封顶 10%。

从轨迹看，这类好答案一般会走“太阳位置采样 + 几何光学效率 + 镜场布局参数搜索”的路线，主要靠 numpy、pandas、openpyxl，复杂一点会用 scipy 做局部优化。Qwen Flash 的数值是可评分的，但高于 O 的部分需要理解成“关键指标更优”，不是完整物理可行性的最终证明。

CUMCM 2023 B：多波束测线布设

这题是海底测线规划，本质是解析几何加运筹优化：根据海深坡度计算声呐覆盖宽度，再设计测线，让总长度、漏测率、重叠率都合适。

三家都很高：DeepSeek 134.51%，GLM 150.06%，Qwen 154.27%。这里不是 Qwen 一枝独秀，而是这题很多 agent 都能用几何公式和贪心搜索跑出超过 O 锚点的数值。Robust 统一截到 10%，避免大家在 O 已经被超过时继续靠小分母互相吹飞。

轨迹上，常见路线是用 numpy/scipy 建坡面和覆盖区间，再用贪心或局部搜索生成测线。可行性主要看漏测和重叠约束是否在 verifier 读取的字段里成立。

CUMCM 2023 C：蔬菜定价

这题属于数据建模和优化决策：先预测蔬菜销量/价格/损耗，再给出补货量和定价策略。

DeepSeek-v4-Flash 是三家里最强的，O-Eval 213.50%；GLM 和 Qwen 也分别有 170.76%、175.50%，但 Robust 都是 -10%。原因很简单：baseline 已经超过 O 很多，GLM/Qwen 虽然绝对值不低，但相对 baseline 是退步。

轨迹上通常会出现 pandas 做数据清洗，statsmodels/scikit-learn 做预测，scipy 或自写搜索做定价优化。可行性主要看输出的补货、定价、收益等字段能不能和历史数据、约束逻辑对上。

CUMCM 2024 A：板凳龙/舞龙路径

这题是几何运动学和轨迹规划。模型要把长队伍的运动路径转成位置、速度、碰撞/间距等可计算约束。

DeepSeek 本题是 0，GLM 和 Qwen 都是 20.35%。这说明三家 Flash 在这题都没有完整攻下来，但 GLM/Qwen 至少交出了一部分可评分的几何运动结果。

轨迹上这题常见做法是参数化螺线或分段路径，再逐时刻计算各节位置。真正难点是约束细节多，单位和索引容易错，所以看起来会写代码不代表一定能拿高分。

CUMCM 2024 B：生产过程决策

这题是统计推断加运筹优化。模型要根据抽检、次品率、拆解/返工/报废成本，设计决策策略。

DeepSeek 这题非常强，137.88%；GLM 只有 39.02%；Qwen 超时失败，按 0 和 -100% 处理。这道题是 Qwen3.8-Flash 总分被拉低的重要原因之一。

轨迹上，靠谱方案会把贝叶斯估计、期望成本、动态规划或枚举决策结合起来。失败常见原因不是完全不会建模，而是分支太多、仿真太慢、最后没有在时间内写出结果 JSON。

CUMCM 2024 C：农作物种植

这题是典型运筹优化题：多地块、多作物、多季节、多约束，核心是线性规划、整数规划或启发式搜索。

GLM 表现最好，56.96%，Robust 17.94%；DeepSeek 47.55%；Qwen 44.83%。这题能看出 GLM 在约束规划类任务上比较有手感。

轨迹上，较好的解会用 pandas 读附件，用 scipy 或 MILP 思路建目标函数和约束，再输出每个地块每季作物面积。可行性重点是面积、轮作、销售量、成本收益这些约束是否真的落到表里。

CUMCM 2025 A：烟幕遮蔽

这题是物理几何仿真加优化，涉及无人机、导弹、烟幕弹、遮蔽时间窗口等动态几何关系。

GLM-5.3-Flash 这题非常突出，O-Eval 255.27%，Robust 封顶 100%；DeepSeek 是 72.79%；Qwen 超时失败。这也是 GLM Robust 高的核心来源之一。

但这类题的高分一定要谨慎读：模型可能在可验证字段上找到了更长遮蔽时间，但评测器不会像人工论文评审那样审完整推导。它是可评分结果，不等于物理可行性已经被完全证明。

CUMCM 2025 B：碳化硅外延层厚度

这题是物理反演和非线性拟合：根据红外干涉数据，估计外延层厚度，还要处理多光束干涉和噪声。

三家分数都不高，但 Qwen Flash 最高，33.94%；GLM 30.95%；DeepSeek 14.32%。这里 Qwen 的轨迹通常会更像“先建物理公式，再拟合参数”的路线。

主要库一般是 numpy、pandas、scipy、matplotlib。可行性看拟合曲线、厚度估计和误差字段是否自洽。

CUMCM 2025 C：NIPT 检测时点

这题是数据建模、统计推断和风险决策：根据孕妇 BMI、孕周、Y 染色体浓度等数据，判断最佳检测时点和分组策略。

DeepSeek 152.03%，Qwen 128.77%，GLM 107.31%。三家都不差，但 DeepSeek baseline 已经很强，所以 GLM/Qwen 在 Robust 里都是 -10%。

轨迹上常见做法是 pandas 清洗数据，statsmodels 做回归或混合模型，scikit-learn 做分组/验证，再用阈值规则输出风险时点。可行性看分组、预测浓度、时间点是否能被 verifier 检查。

MCM 2023 A：植物群落

这题是生态系统动力学，常用微分方程、差分方程或基于物种参数的动态仿真。

DeepSeek 154.10%，GLM 116.34%，Qwen 37.32%。Qwen 在这题明显偏弱，说明它没有把生态动态和评测关键指标很好地对上。

轨迹上，较好方案会用 ODE/RK4 或离散递推模拟生物量、干旱记忆、物种相互作用，再输出长期稳定性和恢复能力。库通常是 numpy、scipy、matplotlib。

MCM 2023 B：Maasai Mara 保护区

这题是空间规划、生态旅游和多目标决策的综合题。它既要考虑保护、旅游、经济，也要考虑区域功能分区。

三家都低：DeepSeek 3.04%，GLM 8.86%，Qwen 2.32%。GLM 只是相对多抓住了一点指标，但离 O 还远。

轨迹上，这题很多 agent 会写多目标评分、网格分区、离散动态系统，但难点是题意开放、可验证字段有限，稍微偏离 expected result 就很难得分。

MCM 2023 C：Wordle

这题是数据建模和预测题：根据历史 Wordle 结果做难度、分布、未来词表现等预测。

GLM 56.58%，Qwen 6.54%，DeepSeek 0。GLM 这题明显更好，是它 Robust 分数的重要来源。

轨迹上，靠谱做法会用 pandas 清洗词频和日期数据，用时间序列、回归、分类模型或特征工程预测分布。库一般是 pandas、numpy、scikit-learn、statsmodels、scipy。

MCM 2024 A：七鳃鳗生态影响

这题是生态动力学和参数仿真，通常需要构建食物网、繁殖、性别比例、捕食压力等机制模型。

DeepSeek 23.53%，Qwen 10.81%，GLM 8.96%。三家都低，只能说 DeepSeek 在可验证指标上略好。

轨迹上，常见路线还是 ODE 或离散时间模型。但这题如果参数假设和 expected result 不一致，很容易写了很多仿真却得不到高分。

MCM 2024 B：潜水器搜索

这题是贝叶斯搜索、随机仿真和路径规划。模型要根据事故位置不确定性、洋流漂移、搜索资源，规划搜索区域和策略。

GLM 63.24%，Qwen 27.29%，DeepSeek 17.60%。这题 GLM 非常明显地追上来了，Robust 55.38%。

轨迹上，好的答案通常会做 Monte Carlo 粒子模拟、概率热力图、搜索区域优先级和资源分配。库一般是 numpy、pandas、matplotlib，复杂一点会有 scipy 优化。

MCM 2024 C：网球比赛动量

这题是体育数据建模、时间序列和统计检验。模型要判断“momentum”是否存在、如何量化、能否预测比赛走势。

GLM 77.33%，DeepSeek 50.72%，Qwen 46.46%。GLM 这题的优势比较清楚，说明它在统计特征和事件序列建模上抓得更好。

轨迹上，较好的方案会做发球胜率基准、破发点、EWMA 残差、游程检验、Ljung-Box 检验等。可行性看输出的 momentum 指标、预测准确率、关键事件解释是否被 verifier 接住。

MCM 2025 A：楼梯磨损

这题是物理反演和数据估计：根据楼梯磨损形态反推使用人数、峰值流量和材料/时间因素。

三家 Flash 都是 0。这说明这题在当前 verifier 口径下没有拿到可评分关键结果。这里就不应该安慰性给分，失败就是失败。

轨迹上，模型可能会写磨损模型、曲面拟合、流量估计，但最后如果关键字段缺失、单位不对或结果不在评测器接受范围内，就进入 0 分。

MCM 2025 B：朱诺旅游

这题是系统动力学、旅游承载力和多目标优化。模型要平衡游客数量、环境压力、居民满意度、税收和政策控制。

Qwen Flash 90.71%，DeepSeek 0，GLM 0。这是 Qwen3.8-Flash 少数非常漂亮的题，说明它并不是整体不会建模，而是波动太大。

轨迹上，常见路线是建立游客-环境-居民-财政的耦合系统，再用动态规划或情景仿真找政策参数。可行性看政策变量、预测指标和目标函数输出是否完整。

MCM 2025 C：奥运奖牌预测

这题是数据建模、机器学习和 Monte Carlo 仿真：根据历史奖牌、项目、主场、国家特征，预测 2028 奖牌榜和潜在首金国家。

DeepSeek 177.39%，Qwen 92.09%，GLM 18.61%。DeepSeek 这题很强，Qwen 虽然没有赢 baseline，但绝对分不算差；GLM 明显偏弱。

轨迹上，较好方案会用随机森林、回归、国家/项目特征工程和 Monte Carlo 置信区间。可行性看最终奖牌表、首金概率、区间估计是否结构化输出。