AI首次拿下IMO官方满分金牌，背后藏着一套自我纠错机制

编辑｜杜伟

在上个月落下帷幕的第 67 届国际数学奥林匹克（IMO 2026）上，包括中国代表队三位选手（邓乐言、刘澈、张柏伦）在内，全球共有 7 名人类选手拿到了 42 分满分金牌。

同时，本届 IMO 上大放异彩的不只有这些人类选手，大模型也交出了一份满分答卷。

它正是来自小红书的「dots-note-3.0」，并由此创下了一个历史记录 ——中国选手与中国模型，首次在 IMO 顶峰相见。

小红书 IMO 满分夺金获人民日报报道。原链接：https://www.peopleapp.com/column/30052732612-500007612298

去年谷歌的 Gemini Deep Think 在 IMO 2025 中解出了 6 道题中的 5 道，以 35 分达到金牌标准。今年小红书 dots-note-3.0 提交的六道题均获得 7 分，成为首个经 IMO 官方评阅取得满分的 AI 模型。仅仅过去一年，大模型在高难度数学证明任务上又进了一步。

图源：小红书大模型后训练负责人乔超（Chao Qiao）X Post

外界的讨论很快从 42 分本身，转向这 42 分是如何拿到的。SGLang 核心成员 Chayenne Zhao、SGLang Omni 核心开发者 Yichi Zhang 以及 HuggingFace AI 研究及社区生态相关负责人 Adina Yakup 等对小红书大模型完成证明的方式给予了很高的评价。

截图自 X Post

dots-note-3.0 在解题过程中反复检查漏洞、调整思路，最终交出六份完整证明。自我检查与持续修正贯穿其中，也让这份成绩有了超出数学竞赛本身的意义。

42 分的含金量，藏在六份完整证明里

相较于普通数学题，证明题要麻烦得多。一道计算题只要结果正确，通常就能完成判定。证明题检查的是整条论证，结论碰巧正确，中间的推理依然可能存在漏洞。

一段数学证明读起来十分通顺，里面可能还藏着未经证明的假设；某个推导在大部分情况下成立，但是碰到边界条件却会失效；模型甚至可能引用一个听上去熟悉、实际上并不存在的定理。这些问题很难通过比对答案发现，只能沿着证明过程逐一核查。

这正是 IMO 的特殊之处。它要求选手提交完整的自然语言证明。模型需要将每一个关键步骤写清楚，条件有没有遗漏，结论能否由前文推出，推导中是否存在逻辑跳跃，都要接受专业评阅。

dots-note-3.0 满分 42 分的价值，落在了这六份经得起逐步检查的证明上。相较于其他依靠模板匹配、答案比对或自动测试完成判定的评测，IMO 的专业阅卷更容易暴露长链条推理中的隐藏问题。模型即使抓住了大致方向，只要关键步骤缺少论证，仍可能丢分。

具体到证明本身，第三题（Problem 3）提供了一个比较有代表性的案例。

根据 CMO 金牌得主汪千桐的说法，对于这道组合数学中的两人博弈与极值证明题，人类选手常见的做法是转换成图论中的连通性问题，而 dots-note-3.0 另辟蹊径，选择使用「归纳法」处理：先设计一组按倍数递减的木段，再通过归纳化证明，无论项羽如何落刀，刘邦最后失去的总长度始终受到同一个上限约束。原本变化繁多的博弈过程，被压缩成一条简洁、完整的证明链。

完整证明：https://studio-dots-ai.github.io/dots_imo_2026/proofs/Problem3.pdf

dots-note-3.0 交出的不仅是正确答案，在部分题目中它能够绕开常见思路，找到更简洁的证明路径。这也说明，该模型具备了一定的自主探索能力。

不过在 IMO 这块足够严格的试验场，思路巧妙并不等于稳稳拿到 7 分。评委最终检查的是整份证明，漏掉一个边界条件或者跳过一步关键推导，都可能导致失分。

模型还要完成另一项工作：在提交答案前重新审查自己的证明。dots-note-3.0 最值得关注的能力，也由此浮现了出来。

让模型学会给自己的证明挑错

dots-note-3.0 的证明、检查与修改，没有依赖 Lean 等形式化证明系统，不需要提前将题目翻译成机器可验证的形式化语言。

它直接读取了原始 LaTeX 题目，以自然语言展开推理，并结合 Python 辅助分析，以 Agentic 方式端到端完成解题。这种路径更接近人类用自然语言构思和书写证明的过程。

在实际数学研究中，人类通常用自然语言搭配数学符号提出思路、展开推导。这种表达更加灵活，也更贴近真实的解题过程，但缺少形式化系统的逐步校验，这对模型提出了更高要求：需要主动回头检查自身论证并予以改正。dots-note-3.0 具备了这样的能力，它的解题流程包含了Proof、Verify 和 Refine三个环节，其中：

• Proof 负责生成候选证明。模型尝试不同思路，形成多份可能成立的解题方案。
• Verify 负责检查已有证明，判断论证是否正确、完整，寻找条件遗漏、逻辑跳跃和推导不严谨的地方，并给出改进建议。
• Refine 根据检查结果修改答案，重新处理存在问题的部分，再将多轮推理得到的方案整合起来，形成可以提交的完整证明。

以上三个相互衔接的环节，分别负责生成初稿、检查漏洞和修改答案。完成一轮后，证明还可以再次进入检查与修正环节，模型由此获得多次推翻和完善答案的机会。

看起来只是多了几道程序，背后的能力变化却很关键。过去评价大模型，经常关注它第一次回答得有多好。而现在，随着任务变得更长、更复杂，一次生成很难覆盖全部情况。模型能否在执行过程中停下来检查，发现偏差并及时修正，正在成为新的能力分界线。

小红书 dots 团队将这种循环称为「递归自我批判」，并将其视为实现递归自我改进（Recursive Self Improvement，RSI）的前提。逻辑并不复杂：模型要先识别出当前答案的问题，后续迭代才有清晰的修正方向。

这也切中了长程复杂任务的一个现实难题。模型具备初步执行能力，可以启动任务；模型能够持续发现错误，吸收反馈并调整方案，任务才更有可能稳定推进下去。

在 IMO 中，模型检查的是一份数学证明。到了现实生活中，它需要持续检查的还有自身对用户、任务和环境的理解。

IMO 夺金之后，AI 面临一场「更长」的考试

数学证明虽然难，仍有明确的题目和专业的评委。现实生活中的任务周期更长、也更多变，很多问题甚至没有统一的评分标准。

在小红书 dots 团队的研究框架中，这些任务可以放在两条坐标轴上观察：一条衡量任务持续多久，另一条衡量结果是否容易验证。像 IMO 这样的数学题以及代码属于短程、可验证的任务，前者有明确的评阅规则，后者可以通过运行结果和测试用例快速获得反馈。

生活任务落在了更长、更模糊的一侧，步骤多、用户需求和外部条件也在不断变化。以装修房子为例，看起来简单的一句话「帮我设计装修方案」，背后可能涉及户型理解、家庭结构、审美偏好、预算分配、材料选择和施工排期。这也是一项天然的多模态任务，模型要读懂户型图、参考图片和施工照片，还要处理报价单、材料清单与聊天记录，等等。

整个过程可能持续数周甚至数月，方案也很难用单一标准评判，预算、审美、耐用性和居住体验往往相互牵制。材料价格低，不一定代表整体选择更优；视觉效果漂亮，也未必住得舒服。模型需要反复权衡，并随情况变化随时调整。

类似的挑战出现在旅行、求职和购物等其他生活场景中。旅行计划需要持续跟踪天气、签证和价格变化；求职要结合个人经历、岗位要求和职业目标反复调整策略；购物则要在预算、偏好、使用场景和商品变化之间不断权衡。场景虽各不相同，对模型 Agent 能力的考察却十分接近：能否串联起多轮交互中的零散信息，识别用户真正重视的偏好与约束，并据此调整后续判断与行动。

这也是 小红书 dots 团队构建VibeAgentBench所要回答的问题。该基准均匀覆盖了旅行、理财、诉讼、装修、求职、健身医疗、备考、租房、购物和团建等10个生活领域，共设计200个任务，接入22个模拟服务后端和288个工具接口，涉及日历、邮件、金融、出行、电商、招聘等真实生活中的常见场景。这些任务的中位持续时间达到29天，最长约111天。评测过程中，环境会持续变化，团队通过7453个脚本事件和超过1.2 万条检查标准，考察 Agent 能否在长期交互中维持目标、响应变化并调整方案。

该基准试图探索出一套适用于复杂生活任务的评价方法：当答案没有唯一标准时，如何判断一个 Agent 究竟做得好不好？

• VibeLifeBench 主页： https://vibebench.github.io/VibeLifeBench_homepage/
• 交互 demo：https://vibebench.github.io/VibeLifeBench_livedemo/

这些生活任务与 IMO 其实都在考验一件事：模型提出方案后，还要根据反馈检查问题、修正判断。特别是进入生活场景后，模型需要审视的范围更广：检查方案本身，判断自己是否准确理解了用户，哪些偏好值得保留，哪些需求已经发生变化。

IMO 的 42 分更像是一次阶段性的能力验证，模型已经证明自己能够在边界清晰、结果可验证的任务中完成检查纠错完善闭环。现在，小红书 dots 团队把目光投向了下一场更难的考试：没有固定考期，也没有标准答案。