OpenAI के GPT-5 Pro ने FrontierMath Tier 4 बेंचमार्क पर एक नया रिकॉर्ड स्थापित किया, Google के Gemini 2.5 Deep Think की तुलना में एक अतिरिक्त शोध-स्तर की गणितीय समस्या को हल करके। इस मूल्यांकन में पेशेवर गणितज्ञों द्वारा विकसित 50 अत्यंत कठिन समस्याओं पर तीन कंप्यूट-इंटेंसिव मॉडल सेटिंग्स का मैनुअल ग्रेडिंग शामिल था।
- GPT-5 Pro ने अपने API के माध्यम से छह समस्याएं (13%) हल कीं और अपने वेब ऐप के माध्यम से भी उतनी ही समस्याएं हल कीं, जिससे संयुक्त pass@2 आठ समस्याएं (17%) हुई।
- Gemini 2.5 Deep Think केवल एक समस्या से पीछे रह गया, जिसे सांख्यिकीय रूप से महत्वपूर्ण नहीं होने के रूप में नोट किया गया।
- Grok 4 Heavy प्रदर्शन में अन्य दो मॉडलों से पीछे था।
- अब तक हल किए गए Tier 4 समस्याओं की कुल संख्या बढ़कर नौ (बेंचमार्क का 19%) हो गई, जिसमें GPT-5 Pro द्वारा हल की गई आठ समस्याओं में से पांच हल्ड-आउट सेट से थीं।
यह परिणाम फ्रंटियर मॉडलों की शोध-स्तर की गणित को संभालने की बढ़ती क्षमता को उजागर करता है, जिसमें GPT-5 Pro ने अपने निकटतम प्रतिद्वंद्वी के मुकाबले एक हल्की बढ़त दिखाई है।