谷歌Gemini 3杀疯了！陶哲轩亲测：10分钟干翻百年数学难题

　　新智元报道

　　编辑：犀牛

　　【新智元导读】Gemini 3一日霸榜数学、物理两个顶级基准测试！与此同时，陶哲轩用Gemini DeepThink十分钟便搞定了一道埃尔德什难题。

　　继续领跑！

　　Gemini 3本周一发布，便开启了横扫各大基准测试之旅，频繁登上各种排行榜的榜首。

　　用现实证明了自己就是目前最强模型！

　　这不，就在昨天，知名研究机构Epoch AI再添一力证——

　　Gemini 3 Pro在FrontierMath基准测试中创下新纪录：Tier 1-3准确率达 38%，Tier 4达19%。

　　在综合多项基准测试的Epoch能力指数（ECI）中，Gemini 3 Pro获得154分，超越了GPT-5.1此前保持的151分的最高纪录。

　　FrontierMath是由Epoch AI联合众多职业数学家打造的一个高级数学基准。

　　它由数百道原创、从未公开的难题构成，被设计成一块专门测量AI高阶数学推理能力的「试金石」。

　　这些题目几乎覆盖现代数学的主要分支：从需要大量计算的数论、实分析，到高度抽象的代数几何、范畴论。

　　普通一道题就足以让相关领域的研究者思考数小时甚至数天。

　　这些题目大概长这样，大家可以感受一下。

　　完整数据集包含350道题：其中300题构成Tiers 1–3，难度大致对应从高年级本科到初级研究生水平。

　　另外50题被归入极端困难的Tier 4，接近乃至达到数学的前沿研究问题。

　　为便于社区实验，FrontierMath只开放了少量公开子集，其余题目则严格保密，用于评测。

　　在评测时，模型必须为每道题提交一个Python函数answer()，返回整数（通常）或SymPy等Python对象，由系统自动运行与校验。

　　这一设计既允许模型调用代码深度推理，又用程序化判分确保结果客观可重复，使FrontierMath成为当前衡量AI数学前沿能力最严苛、也最具说服力的基准之一。

　　截至目前，FrontierMath排行榜上的领先模型，都是由Gemini和GPT系列占据。

　　从「跑分最强」到「实战破题」

　　虽说Gemini 3确实很强，但只是一味的霸榜基准测试，还是差点意思。

　　至少，缺少点说服力。

　　还好，Gemini 3很快就在实战中证明了自己。

　　就在昨天，数学大神陶哲轩发帖表示，他用Gemini Deepthink模式十分钟，便解决了埃尔德什问题的关键证明！

　　为了更清楚地说明这个过程，我们先来简单了解一下埃尔德什问题。

　　简单说就是把每个整数拆成积木，凡是只出现1次的积木丢掉，只留下能成对出现、能拼成平方的那一部分，叫B₂(n)。

　　比如12=2×2×3，只留2×2，所以B₂(12)=4。

　　现在看一小段连续整数n,n+1,…,n+k-1，对每个数算出B₂，再把这些B₂全部相乘。

　　埃尔德什问题的问题是：不管这段连续整数多长，这个乘积是不是都不会比n²增长得更快？

　　也就是说：整数里「平方因子扎堆」的程度，天花板究竟在哪里？

　　为了更方便理解，我用最近最火的Nano Banana Pro画了张信息图。

　　大家看看怎么样？

　　言归正传。关于这个问题，陶哲轩在帖子中给出了一条时间线。

　　11月20号，Wouter van Doorn用AI提出了该问题第二部分的反证，他的论证基于一个还未被证明的同余恒等式。

　　几个小时后，陶哲轩将这个不等式交给了Gemini Deepthink。

　　只用了大概十分钟，Gemini Deepthink便解决了这个证明。

　　太夸张了！

　　陶哲轩还附上了整个的论证过程。

　　论证地址： https://gemini.google.com/share/81a65aecfd70

　　看来这种问题对于Gemini 3还真算不上什么。

　　随后，陶哲轩手动把证明转化为了一个更加基础的版本，花费了他半个小时的时间。

　　两天后，Boris Alexeev最终完成了这个证明的Lean形式化，耗时2、3个小时。

　　陶哲轩用Gemini 3来研究埃尔德什难题，厉害之处不只是「AI 超会算」。

　　更重要的是：世界顶级数学家，真的把大模型当成工作伙伴了。

　　以后做数学，不再只是一个人苦苦推导。

　　而是把枯燥的枚举、尝试、检验丢给AI，人类集中精力抓核心思路、做关键判断。

　　谁先学会和这类工具高效协作，谁就等于多了一个「超级合作者」。

　　数学之外的物理「试金石」

　　在登顶数学基准测试的同时，Gemini也霸榜了一项最新的物理基准测试——CritPt。

　　CritPt的诞生基于研究者们开始追问一个问题：大模型真的能像物理学家那样，完整推进一场前沿研究吗？

　　其全称为 「Complex Research using Integrated Thinking – Physics Test」，要测的，正是 AI 从「像样回答」跨越到「真正推理」的那道临界线。

　　目前已在Artificial Analysis平台上线。

　　与以往基于教科书或公开题库的物理题库不同，CritPt是首个专门面向「未公开、真研究级」物理问题的大模型基准。

　　它由来自阿贡国家实验室、伊利诺伊大学厄巴纳-香槟分校等三十多家机构的五十余位活跃物理学者共同打造，涵盖凝聚态、量子、原子分子与光学、天体物理、高能物理等现代物理的十一大分支。

　　每道题目都像是交给一名优秀物理学博士新生的一次独立小课题：需要建模、推导、近似与跨领域联想，却又保证答案可机读、可自动严格判分。

　　CritPt测试的挑战示例如下图所示。

　　不出意外，Gemini 3 Pro再次霸榜该项物理研究测试。

　　同样的，GPT-5.1紧随其后。

　　看来，这两模型还真是代表了当前最前沿的模型水平。

　　不过，虽然登顶了CritPt，Gemini 3 Pro的成绩也才有9.1%，与满分表现还有些距离。

　　参考资料：

　　https://x.com/EpochAIResearch/status/1991945942174761050

　　https://x.com/ArtificialAnlys/status/1991913465968222555?s=20

　　https://x.com/kimmonismus/status/1991968861747339508?s=20

　　https://mathstodon.xyz/@tao/115591487350860999

　　https://mathstodon.xyz/@tao/115585571504291318

　　https://www.kaggle.com/competitions/ai-mathematical-olympiad-progress-prize-3/overview