TB-MathModel

Multimodal O-Eval

O-Eval 是相对 O 奖参照解的绝对完成度（100% = 平均达到 O 奖复现答案的 raw 水平，超出部分封顶）。codex 与 opencode(high) 分数几乎持平，但成本相差约 39 倍；而 opencode(max) 分数反而低于它的 high 档（51.48% vs 62.19%），成本却更高（按下述计费口径）。

O-Eval / Robust BO-Eval 与下面纯文本榜同口径（write_all_models_boeval_2023_2025.py 生成）。

产物复原说明：mcm-2024-a-lamprey 那次运行其实完成了完整建模（三物种 ODE、20 组情景、敏感性分析、图表），但把结果写成了 mcm-2024-a-lamprey-result.json，而题目要求 mcm-2024-a-lamprey_result.json，因此未被收集。我们按同一次运行重放它的脚本复现了产物并用官方 verifier 重新评分，得 O-Eval 7.02%。复核发现它报的是归一化值（0.09 / 0.42）而非题目要求的原始种群指数（8.56 / 1080.36），属于量纲/字段理解错误——所以这是个低分但仍有效的作答，不是"没交卷"。

O 奖参照值修正说明：核对 O 奖原论文后发现三道题的参照值此前取自复现产物、与论文不一致，已按论文重设锚点：cumcm-2024-a-dragon-dance 最大龙头速度 2.00002 → 1.406276 m/s（速度比 0.99999 → 1.422195）；cumcm-2025-b-sic-thickness 厚度 SiC 8.9815 → 7.604 µm、Si 10.5145 → 3.814 µm；cumcm-2024-c-crop-planting 改用论文式(19)口径下的可复现精确最优解（见下）。修正后全榜（含纯文本榜）分数均按同一份报告重算。

农作物种植（special case）：该题 O 奖论文的完整约束集——含其自创的"实际产量≥0.9×预期销量"——在官方附件上与题目硬约束联立后无可行解（HiGHS 判定 INFEASIBLE，多次复现），且论文使用未公开的 DEGA 启发式，其汇报值无法忠实复现。因此该题锚点改为按论文式(19)（min(x·y, d) 在逐地块求和之内）建模、用 HiGHS 求得的可复现精确最优解：滞销 40,418,877 元 / 半价 58,718,967 元（MIP gap < 0.15%）。该题已在计分配置中标为 special case。

计费口径（成本列的算法）：按 OpenRouter 目录价对实测 token 用量计算，并做两项保守处理——
(1) 推理 token 计入费用。OpenAI 的 output_tokens 已包含推理，不再另加；DeepSeek（opencode 侧）的推理是独立计数器（每步满足 total = input + output + reasoning + cache_read），因此在其输出上补加 923,275 个推理 token。
(2) 按高峰时段计价。DeepSeek V4.1 Flash 在工作日 UTC 100–400 与 600–1000 三个项目均为 2 倍价，成本列按高峰价计，避免低估；GPT-5.5 的 >272k 长上下文档位本次未触发（最大单请求 219,735）。

Multimodal Tempered Hard-Gated

温和版 hard-gated 对照。两个多模态条目均为 0 gates，说明它们的高分不是靠不可行解刷出来的。

Original O-Eval Reference

原始榜保留在这里用于追溯自动 scorer 输出；正式解读优先看这个主榜的排名变化，再参考下面的 hard-gated 榜判断高分是否真的是可行解。

Tempered Hard-Gated Leaderboard

这是更适合公开汇报的温和版对照榜：只处罚已经能明确判定为不可行解的任务；被 gate 的任务在 O-Eval 中按 raw 0 计入，在 Robust BO-Eval 中对非 baseline 模型按 -100% 计入。