终端式数学建模基准 TB-MathModel：首个智能体化且可验证的数学建模基准

研究者发布 TB-MathModel 基准，在容器化终端中用 18 道 CUMCM/MCM 竞赛真题评测大语言模型智能体的数学建模能力，最好的 GPT-6 Astra 仅得 64.6%。智能体需读题、查看表格与图片、写代码、运行求解器并输出结构化 JSON；评分不批改报告，只核对最终问题的数值核心，方向感知、单侧计分，超过人类论文不扣分。每道题配 94 份参考答案，每份杰出奖人类论文各投一票，模型须同时接近多位专家；可行性由六种可判定不变式加 624 条经内核检验的 Lean 4 证明义务程序化把关，不依赖 Mathlib、不留 sorry。Claude Fable 5.1 得 63.1%，一个 2.54 美元的开源模型以 1/100 的成本得 59.8%。