🎯aime_2026是 MathArena 官方发布的LLM 数学能力评测数据集，收录了 2026 年 AIME（美国数学邀请赛）全部30 道竞赛真题（LaTeX 源码格式），每道题都附带标准答案，专门用于评测大语言模型（LLM）的数学推理水平。无论你是想跑一次模型数学基准测试，还是研究竞赛题数据格式，本文都能在 10 分钟内带你完成"克隆 → 读取 → 评测接入"全流程。

一、aime_2026 数据集是什么？

AIME（American Invitational Mathematics Examination，美国数学邀请赛）是两大部分、共 15 题/部分、限时 3 小时的经典竞赛，每道题的答案都是0～999 之间的整数——这种"短整数答案"的特性让结果可以全自动判分，非常适合作为 AI 模型的数学评测基准。

aime_2026 数据集的关键特点：

💡 题目在入库前经过"提取 → 转 LaTeX → 人工校验"三步处理，格式规范可靠。

二、数据集结构一览

整个仓库结构极简，核心文件只有 3 个：

• data/train-00000-of-00001.parquet：数据集本体（Parquet 格式，通过 Git LFS 存储）
• eval.yaml：MathArena 评测任务配置文件
• README.md：数据集说明文档

Parquet 文件包含一个train分片，共30 条样本，每行有 3 个字段：

字段定义可在 README.md 的 "Data Fields" 一节查看。

三、最快获取方式：一键克隆

数据集文件通过Git LFS管理，克隆时务必带上 LFS 拉取，否则会拿到一个只有 130 字节的"指针文件"（这是新手踩坑率最高的一步）：

git clone https://gitcode.com/hf_mirrors/MathArena/aime_2026 cd aime_2026 git lfs pull

✅ 拉取成功后，data/train-00000-of-00001.parquet 应为10065 字节左右的真实 Parquet 文件；若仍只有 130 字节并显示version https://git-lfs.github.com/spec/v1字样，说明 LFS 拉取未完成。

四、3 行代码读取数据集

装好datasets库后，直接用本地路径加载即可（无需联网下载）：

from datasets import load_dataset ds = load_dataset("parquet", data_files="data/train-00000-of-00001.parquet") print(ds["train"][0]) # {'problem_idx': 0, 'answer': 123, 'problem': '\\text{...}'}

也可以用pandas/pyarrow直接读 Parquet 文件，效果相同。拿到problem字段后，拼进 prompt 让模型作答，再与answer字段做整数比对，就完成了一次最朴素的数学能力评测。

五、接入 MathArena 评测框架

如果想直接上排行榜标准流程，仓库自带的 eval.yaml 已定义好评测任务：

• name：MathArena AIME 2026
• evaluation_framework：math-arena
• 任务 ID：MathArena/aime_2026，使用default配置与train分片

只需将 MathArena 评测框架指向该任务 ID，框架会自动加载数据、调用模型并判分，全程无需手写评测脚本。

六、常见问题 FAQ

Q1：读取 parquet 报错 "Parquet magic bytes not found"？大概率是 LFS 指针文件问题，回到仓库目录执行git lfs pull后重试。

Q2：可以商用吗？不可以。数据集授权为CC BY-NC-SA 4.0，仅限非商业使用，且衍生数据需沿用相同协议。

Q3：为什么只有 30 题？AIME 每届考试固定为 2 部分 × 15 题 = 30 题。竞赛真题数量少但难度高，"小而精"正是其作为高质量数学基准的价值所在。

Q4：如何引用该数据集？推荐引用 MathArena 论文（见 README.md 的 Citation 一节）：Beyond Benchmarks: MathArena as an Evaluation Platform for Mathematics with LLMs（2026）。

总结

aime_2026 是一个小而精的 LLM 数学评测数据集：30 道 AIME 2026 竞赛真题 + 整数标准答案 + 现成的 MathArena 评测配置。按本文步骤"克隆 →git lfs pull→ 本地加载 Parquet"，十分钟就能跑通第一轮数学能力评测，是测试大模型推理能力的理想起点。