**首个智能体可验证数学建模基准：TB-MathModel 实现竞赛级任务自动化评估**

_Terminal-style Mathematical Modeling Bench: The First Agentic and Verifiable Benchmark for Mathematical Modeling_

> TB-MathModel 是首个将完整数学建模竞赛任务转化为智能体可执行、可验证且基于终端运行的基准。该基准涵盖 2023 至 2025 年共 18 道真实竞赛题，通过容器化终端提供原始题目与附件，要求智能体输出 JSON 格式解决方案。其核心创新在于采用方向感知单侧评分（不惩罚超越参考解）及两层可行性验证（程序化检查六个不变量形式与 624 个 Lean 4 义务），并引入多份人类优秀论文作为评分参照系。测试显示，最强多模态模型在七次种子运行中达到 64.58% 的 O-Eval 分数，而开源模型以 1/100 的成本取得 59.81% 分数，有效解决了现有基准缺乏可复现性与物理可行性验证的痛点。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-06 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.08237)