网易首页 > 网易号 > 正文 申请入驻

AI首次拿下IMO官方满分金牌,背后藏着一套自我纠错机制

0
分享至

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。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
演员蓝盈莹公布病情

演员蓝盈莹公布病情

天津人
2026-11-21 15:10:02
网传零跑A10后备箱被几箱啤酒压穿 官方回应明确了

网传零跑A10后备箱被几箱啤酒压穿 官方回应明确了

快科技
2026-11-21 09:12:08
1.3亿合同到期!就在今天,希罗爆发了,创造80年历史第一的纪录

1.3亿合同到期!就在今天,希罗爆发了,创造80年历史第一的纪录

大西体育
2026-11-22 10:09:56
为何说新西兰没几个中国人待得住?网友:待了几个月,都快疯了

为何说新西兰没几个中国人待得住?网友:待了几个月,都快疯了

乌克兰小静
2026-11-20 09:02:01
2-2!英超大冷门:13.8亿豪门止步联赛5连胜 队长送礼门神伤退

2-2!英超大冷门:13.8亿豪门止步联赛5连胜 队长送礼门神伤退

狍子歪解体坛
2026-11-22 03:29:19
张柏芝的新瓜,有点炸

张柏芝的新瓜,有点炸

背包旅行
2026-11-22 09:49:05
张水华黄马夺冠刷新生涯最佳获5000元奖金,辞职后4破PB势不可挡

张水华黄马夺冠刷新生涯最佳获5000元奖金,辞职后4破PB势不可挡

杨华评论
2026-11-22 09:53:48
一个月打完,詹姆斯188分,库里278分,文班458分,东契奇太夸张

一个月打完,詹姆斯188分,库里278分,文班458分,东契奇太夸张

大西体育
2026-11-21 21:46:18
167年黎曼猜想终于官宣确认!陶哲轩的2050预测,只撑了35天

167年黎曼猜想终于官宣确认!陶哲轩的2050预测,只撑了35天

AI范儿
2026-11-22 02:35:46
狂轰50+11+7创历史,绝平却超时!公开谈大帝踩线,输球不输格局

狂轰50+11+7创历史,绝平却超时!公开谈大帝踩线,输球不输格局

锅子篮球
2026-11-22 10:48:07
网传电诈园区的办公室标语是:不忘初心砥砺前行感恩奋进,真荒诞啊!

网传电诈园区的办公室标语是:不忘初心砥砺前行感恩奋进,真荒诞啊!

黯泉
2026-11-21 17:27:58
高市重申对台立场

高市重申对台立场

陆弃
2026-11-22 10:21:14
潘长江做梦都没想到,躲过了女儿,却没躲过外孙。他自己1米6,老婆1米65,生出的女儿潘阳1米62,谁知道,基因这东西,还会隔代报复。

潘长江做梦都没想到,躲过了女儿,却没躲过外孙。他自己1米6,老婆1米65,生出的女儿潘阳1米62,谁知道,基因这东西,还会隔代报复。

LULU生活家
2026-11-21 14:45:18
62:33!特朗普也没想到,15名民主党临阵倒戈、2名共和党反水

62:33!特朗普也没想到,15名民主党临阵倒戈、2名共和党反水

墨子翟的日记y
2026-11-22 09:40:17
外媒:意大利前国家警察总长被发现在住所死亡,梅洛尼发声

外媒:意大利前国家警察总长被发现在住所死亡,梅洛尼发声

环球网资讯
2026-11-22 10:11:40
大幂幂不是白叫的

大幂幂不是白叫的

草莓解说体育
2026-10-24 07:40:22
波切蒂诺已提升训练强度,球员称其要求高!曼联为请他借款一千万

波切蒂诺已提升训练强度,球员称其要求高!曼联为请他借款一千万

罗米的曼联博客
2026-11-22 10:39:09
内塔尼亚胡:我提议,就由我来担任唯一的总理

内塔尼亚胡:我提议,就由我来担任唯一的总理

寰宇大观察
2026-11-21 14:12:23
豪华森林度假山庄,为何关门歇业,谁来盘活?

豪华森林度假山庄,为何关门歇业,谁来盘活?

颖之星语
2026-11-20 18:46:14
口口声声反侵略的人面对乌克兰却是双重标准,究竟为啥?

口口声声反侵略的人面对乌克兰却是双重标准,究竟为啥?

天水人李成义
2026-11-21 10:30:21
2026-11-22 11:24:49
机器之心Pro incentive-icons
机器之心Pro
专业的人工智能媒体
14525文章数 142762关注度
往期回顾 全部

科技要闻

Anthropic收涨17.1%,市值一度破2万亿美元

头条要闻

"敢不敢玩刺激的" 女博士当主播6个月至今有心理阴影

头条要闻

"敢不敢玩刺激的" 女博士当主播6个月至今有心理阴影

体育要闻

约基奇vs申京:最强的策应巨人?

娱乐要闻

港姐季军吴文忻去世,生前已办追思会

财经要闻

金价跌破3550美元,分析称短期下行未逆转

汽车要闻

35万级MPV的满配答案 享界V8正式上市售31.98万起

态度原创

本地
教育
家居
健康
公开课

本地新闻

43年起落记忆倒计时,去厦门高崎领绝版登机牌!

教育要闻

2026中小学课程建设与发展大会暨第四届特色课程博览会主论坛在广东佛山举行

家居要闻

2026建博会(广州) 公装联探展交流活动

医生眼里"很伤腰"的椅子,很多人天天坐

公开课

李玫瑾:为什么性格比能力更重要?

无障碍浏览 进入关怀版