Vilken AI är bäst på matte? Den ärliga rankningen
Av Chatday Editorial Team ·
Om du vill ha den AI som är starkast på matte just nu är det GPT-6.1 Sol. Tidigare den här månaden blev den första modellen att lösa varenda uppgift i den svåraste nivån av FrontierMath, ett test byggt på frågor på forskningsnivå som yrkesverksamma matematiker skriver och som AI inte kom i närheten av förrän nyligen. Bland modellerna du faktiskt kan använda i Chatday kommer Claude Sonnet 5.5 och Claude Opus 5 därefter.
Det är svaret enligt topplistan. För ett arbetsblad med bråk, en uppskattning av bolånet eller att dela upp dricksen räcker däremot vilken av toppmodellerna som helst, och misstagen de fortfarande gör har lite att göra med hur smarta de är.
Så rankade vi AI-modellerna i matte
Vi hittade inte på något eget test. Vi lutade oss mot det tuffaste offentliga: FrontierMath, som drivs av den oberoende forskningsgruppen Epoch AI. Dess svåraste nivå består av några dussin opublicerade uppgifter på nivå med riktig matematisk forskning. Svaren finns inte på internet, så ingen modell kan ha lärt sig dem utantill.
Vi valde testet av tre skäl:
- Det är svårt nog att skilja toppmodellerna åt. Enklare tester på skolnivå slutade skilja dem åt för ett tag sedan, eftersom alla hamnar nära toppen.
- Det rättas automatiskt. Modellen måste ge ett exakt slutsvar, så ingen bedömer på känn.
- Det är oberoende av bolagen. Till största delen. Mer om det strax.
Sedan behöll vi bara modellerna som Chatday faktiskt erbjuder, så varje namn nedan är ett du kan öppna och testa redan i dag.
Rankningen: vilken AI är bäst på svår matte
Så här klarade sig modellerna i Chatday på FrontierMaths forskningsnivå, omräknat från procent till något som är lättare att föreställa sig. Resultaten kommer från den offentliga topplistan i mitten av oktober 2026.
| Modell | Lösta uppgifter på forskningsnivå | Bäst för |
|---|---|---|
| GPT-6.1 Sol | Alla | De svåraste bevisen, gåtorna och problemen i flera steg |
| Claude Sonnet 5.5 | Ungefär 8 av 10 | Svår matte förklarad i lugna, lättlästa steg |
| Claude Opus 5 | Ungefär 7 av 10 | Långa uppgifter där du vill ha noggranna resonemang |
| GPT-5.5 | Ungefär 7 av 10 | En stabil och bekant allroundmodell |
| Claude Haiku 5.5 | Nästan hälften | Snabb hjälp när fart betyder mer än djup |
| Grok 4.6 | Ungefär 1 av 3 | Vardagsfrågor, inte tävlingsmatte |
| Gemini 3.1 Pro | Ungefär 1 av 4 | Blandade uppgifter som att läsa av ett diagram eller ett foto av ett arbetsblad |
Några saker sticker ut direkt.
GPT-6.1 Sol är den oväntade vinnaren. Det är inte ens OpenAI:s dyraste modell. Det är den billigare nivån som OpenAI lanserade på sin DevDay den 29 september, och på det här testet var den lika bra som, och med minsta marginal bättre än, bolagets eget flaggskepp. Vi skrev om lanseringen i vår genomgång av GPT-6.1 Sol.
Claude är den starka tvåan. Sonnet 5.5, den mellanstora Claude-modellen, fick faktiskt lite högre resultat än större Opus 5. Här slår nyare större, vilket är en nyttig påminnelse om att en modells namn inte avslöjar dess placering.
Gemini och Grok halkar efter just på den här uppgiften. Det gör dem inte dåliga. Gemini 3.1 Pro är byggd för blandade uppgifter, som att läsa ett foto av ett problem, och Grok är snabb och pratglad. De är bara inte rätt modeller att ge ett riktigt svårt bevis.
Varför en modell som klarar forskningsmatte ändå kan snubbla på dina läxor
Det är här många blir överraskade. En modell som knäcker problem på forskningsnivå kan ändå räkna fel på något så enkelt som 17 % av 240 om den har bråttom. (Det är 40,8, förresten.)
Förklaringen är hur modellerna läser. De ser inte siffror som en miniräknare gör. De delar upp texten i bitar och förutspår vad som kommer härnäst, vilket också är skälet till att vissa av dem inte kan räkna r:en i strawberry. Långa sifferkedjor är precis där det kan slinta.
Formuleringen spelar också roll. 2024 testade forskare på Apple modeller på textuppgifter från grundskolan och lade till en enda oskyldig men irrelevant mening, ungefär en notis om att några av äpplena var mindre än de andra. Resultaten rasade, med så mycket som 65 % för vissa modeller, eftersom de försökte använda den extra detaljen. Senare omtester på nyare modeller visade en mycket mindre effekt, så gapet har krympt rejält. Lärdomen står sig ändå: det knepigaste med en textuppgift för en AI är ofta läsningen, inte matten.
Här kommer vardagsmissarna oftast ifrån:
| Vad som går fel | Hur det ser ut | Snabb lösning |
|---|---|---|
| Förhastad räkning | En fel siffra i en lång multiplikation | Be den räkna om steg för steg |
| Feltolkad fråga | Svarar ”per månad” när du frågade ”per år” | Formulera om frågan med egna ord först |
| Villospår | Använder ett tal som inte spelar någon roll | Säg vilka fakta som är relevanta |
| Övermod | Ett snyggt, felaktigt svar utan minsta tvekan | Fråga hur den skulle kontrollera svaret |
Bästa AI för matte, efter vad du faktiskt ska göra
Topplistan visar vem som är smartast. Den här delen visar vilken du ska öppna.
Bäst för en elev som har kört fast på läxan
Använd Claude Sonnet 5.5. Den ligger nära toppen på svår matte och brukar förklara varje steg med enkla ord, vilket är precis vad du vill ha om målet är att förstå snarare än att skriva av. Be den ge ledtrådar innan svaret. Våra prompter för läxhjälp bygger på just den idén.
Bäst för riktigt svåra problem
Använd GPT-6.1 Sol. Olympiadgåtor, ett bevis du inte får till, en statistikfråga med fem rörliga delar. Ge den tid att tänka och be om hela uträkningen.
Bäst för privatekonomi
Budget, lånebetalningar, att dela på hyran. Alla toppmodeller fungerar, så välj den du gillar att prata med. Risken här är en enda fel siffra, så be alltid om uträkningen och rimlighetskontrollera slutsumman själv.
Bäst för ett foto av ett arbetsblad
Gemini 3.1 Pro är byggd för att jobba med bilder lika väl som text. Låt den läsa av och skriva ut uppgiften, och lämna sedan själva lösningen till GPT-6.1 Sol eller Claude om den är knepig.
Så får du mattesvar du kan lita på
Du behöver ingen speciell prompt. Du behöver tre vanor:
- Be om stegen, inte bara svaret. ”Visa din uträkning” får modellen att sakta ner, och du får något att kontrollera.
- Låt den verifiera. Följ upp med ”Sätt in ditt svar i den ursprungliga uppgiften och kontrollera det.” Det är ett billigt sätt att få en miss att synas.
- Ta in en andra åsikt. En annan modell gör andra misstag, så när två av dem är överens är det värt mycket mer än ett enda självsäkert svar.
Den sista vanan är skälet till att det hjälper att ha flera modeller på ett ställe. Att ställa samma fråga till GPT-6.1 Sol och sedan Claude Sonnet 5.5 ska inte kräva två appar och två abonnemang.
Testa de två bästa sida vid sida
Vill du se skillnaden på ditt eget problem? Välj en fråga du faktiskt bryr dig om, en klurig läxuppgift eller en uträkning du helst inte vill få fel, och ställ de två starkaste mattemodellerna bredvid varandra.