GPT-5 Pro dari OpenAI menetapkan rekor baru pada benchmark FrontierMath Tier 4 dengan memecahkan satu masalah matematika tingkat penelitian tambahan dibandingkan dengan Gemini 2.5 Deep Think dari Google. Evaluasi ini melibatkan penilaian manual terhadap tiga pengaturan model yang intensif komputasi pada 50 masalah yang sangat sulit yang dikembangkan oleh matematikawan profesional.
- GPT-5 Pro memecahkan enam masalah (13%) melalui API-nya dan jumlah yang sama melalui aplikasi web-nya, mencapai combined pass@2 sebanyak delapan masalah (17%).
- Gemini 2.5 Deep Think tertinggal oleh satu masalah, perbedaan yang dicatat sebagai tidak signifikan secara statistik.
- Grok 4 Heavy tertinggal dari dua model lainnya dalam hal kinerja.
- Jumlah total masalah Tier 4 yang pernah dipecahkan meningkat menjadi sembilan (19% dari benchmark), dengan lima dari delapan masalah yang dipecahkan oleh GPT-5 Pro berasal dari set yang dipisahkan.
Hasil ini menyoroti kemampuan model frontier yang semakin meningkat dalam menangani matematika tingkat penelitian, dengan GPT-5 Pro menunjukkan keunggulan kecil dibandingkan pesaing terdekatnya.