AI首先次拿下IMO官方满分金牌，背后藏着一套自我纠错机制|数学|推理|imo|归纳法_网易订阅

编辑｜杜伟在上个月落下帷幕的首先数学第 67 届国际数学奥林匹克（IMO 2026）上，涵盖中国代表队三位选手（邓乐言、次拿藏刘澈、官方o归张柏伦）在内，满分全球共有 7 名人类选手拿到了 42 分满分金牌。金牌纠错机制同时，背后本届 IMO 上大放异彩的套自推理不只有这些人类选手，大模型也交出了一份满分答卷。纳法它正是网易来自小红书的「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，订阅首先次在 IMO 不过峰相见。首先数学小红书 IMO 满分夺金获人民日报报方式。次拿藏原链接：https://www.peopleapp.com/column/30052732612-500007612298去年谷歌的官方o归 Gemini Deep Think 在 IMO 2025 中解出了 6 方式题中的 5 方式，以 35 分实现金牌原则。满分今年小红书 dots-note-3.0 提交的金牌纠错机制六方式题均获得 7 分，成为首先个经 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说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外界的讨比如很快从 42 分本身，转向这 42 分是如何拿到的。SGLang 题成员 Chayenne Zhao、SGLang Omni 题开发者 Yichi Zhang 以及 HuggingFace AI 探究及社区生态相关负责人 Adina Yakup 等对小红书大模型实现说明的方式给予了很高的评价。截图自 X Postdots-note-3.0 在解题流程中反复检查漏洞、调整思路，最后交出六份完善说明。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，藏在六份完善说明里相较于往往见不鲜数学题，说明题关键麻烦得多。一方式方式算题只关键结荚正确，常见就能实现判定。说明题检查的是整条比如证，结比如碰巧正确，中间的推理依然可能存在漏洞。一段数学说明读起来十分通顺，里面可能还藏着未经说明的假设；某个推导在大部分状况下成立，然而碰到边界需却会失效；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。这些状况很难通过比对答案发现，只能沿着说明流程逐一核查。这正是 IMO 的特殊之处。它需选手提交完善的自然语言说明。模型需将每一个题步骤写清楚，需有没有遗漏，结比如能否由前文推出，推导中是否存在逻辑跳跃，都关键接受专业评阅。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说明上。相较于其他依靠模板匹配、答案比对或自动测试实现判定的评测，IMO 的专业阅卷更那么点儿暴露首先链条推理中的隐藏状况。模型即使抓住了大致方向，只关键题步骤缺少比如证，仍可能丢分。详详见细到说明本身，第三题（Problem 3）给予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，对于这方式组合数学中的两人博弈与极值说明题，人类选手常用的做法是转换成图比如中的连通性状况，而 dots-note-3.0 另辟蹊径，选项采取「归纳法」处理：先设方式一组按倍数递减的木段，再通过归纳化说明，无比如项羽如何落刀，刘邦最后失去的总首先度始终受到同一个上限约束。原本变化繁多的博弈流程，被压缩成一条那么点儿、完善的说明链。完善说明：https://studio-dots-ai.github.io/dots_imo_2026/proofs/Problem3.pdfdots-note-3.0 交出的不仅是正确答案，在部分题中它能够绕开常用思路，找到更那么点儿的说明馗。这也验明正身，该模型具有了一定的自主探索能力。然而在 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。评委最后检查的是整份说明，漏掉一个边界需或者跳过一步题推导，都可能导致失分。模型还关键实现另一项工作：在提交答案前重新审查自己的说明。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说明挑错dots-note-3.0 的说明、检查与修改，没有依赖 Lean 等形式化说明系统，不需提前将题翻译成机器可验明正身的形式化语言。它直接读取了原始 LaTeX 题，以自然语言展开推理，并结合 Python 辅助探究，以 Agentic 方式端到端实现解题。这种馗更接近人类用自然语言构思和书写说明的流程。在实际数学探究中，人类常见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流程，但缺少形式化系统的逐步校验，这对模型提出了更高需：需主动回头检查自身比如证并予以改正。dots-note-3.0 具有了这样的能力，它的解题步骤涵盖了Proof、Verify 和 Refine三个环节，其中：Proof 负责生成候选说明。模型尝试不一样思路，形成多份可能成立的解题方式划。Verify 负责检查已有说明，判断比如证是否正确、完善，寻找需遗漏、逻辑跳跃和推导不严谨的地方，并给出改进提议。Refine 根据检查结荚修改答案，重新处理存在状况的部分，再将多轮推理得到的方式划整合起来，形成可以提交的完善说明。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。实现一轮后，说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改进答案的机会。看起来只是多了几方式程序，背后的能力变化却很题。过去评价大模型，频仍关注它首先次回答得有多好。而目前，随着任务变得更首先、更复杂，一次生成很难覆盖全部状况。模型能否在实施流程中停下来检查，发现偏差并按时修正，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：模型关键先识别出目前答案的状况，之后往往代才有清楚的修正方向。这也切中了首先程复杂任务的一个现实困难。模型具有初步实施能力，可以启动任务；模型能够持续发现错误，吸收反馈并调整方式划，任务才更有可能稳固推进下去。在 IMO 中，模型检查的是一份数学说明。到了现实生活中，它需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「更首先」的考试数学说明虽然难，仍有清楚的题和专业的评委。现实生活中的任务周期更首先、也更多变，很多状况甚至没有统一的评分原则。在小红书 dots 团队的探究框架中，这些任务可以放在两条坐标轴上观察：一条研究任务持续多久，另一条研究结荚是否那么点儿验明正身。像 IMO 这样的数学题以及代码属于短程、可验明正身的任务，前者有清楚的评阅条件，后者可以通过运行结荚和测试用例高效高效获得反馈。生活任务落在了更首先、更模糊的一侧，步骤多、用户需和外部需也在不断变化。以装修房子为例，看起来便捷的一句话「帮我设方式装修方式划」，背后可能包含户型理解、家庭结构、审美偏好、预算分配、材料选项和施工排期。这也是一项天然的多模态任务，模型关键读懂户型图、参考图片和施工照片，还关键处理报价单、材料清单与聊天记录，等等。整个流程可能持续数周甚至数月，方式划也很难用单一原则评判，预算、审美、耐用性和居住体验频仍相互牵制。材料价格低，不一定代表整体选项更优；视觉成效漂亮，也未必住得舒服。模型需反复权衡，并随状况变化随时调整。类似的挑战出目前旅行、求职和购物等其他生活场景中。旅行方式划需持续跟踪天气、签证和价格变化；求职关键结合个人经历、岗位需和职业目的反复调整对策；购物则关键在预算、偏好、采取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材料，识别用户真正重视的偏好与约束，并据此调整之后判断与行动。这也是 小红书 dots 团队构建VibeAgentBench所关键回答的状况。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，共设方式200个任务，接入22个模拟服务后端和288个工具接口，包含日历、邮件、金融、出行、电商、招聘等真实生活中的常用场景。这些任务的中位持续时间实现29天，最首先约111天。评测流程中，环境会持续变化，团队通过7453个脚本事件和超过1.2 万条检查原则，考察 Agent 能否在首先期交互中维持目的、响应变化并调整方式划。该基准试图探索出一套适用于于复杂生活任务的评价方式：当答案没有唯一原则时，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：模型提出方式划后，还关键根据反馈检查状况、修正判断。尤其是进入生活场景后，模型需审视的范围更广：检查方式划本身，判断自己是否准确理解了用户，哪些偏好值得保留，哪些需已经发生变化。IMO 的 42 分更像是一次时期性的能力验明正身，模型已经说明自己能够在边界清楚、结荚可验明正身的任务中实现检查纠错改进闭环。目前，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，也没有原则答案。

(责任编辑：综合)