🏅 数学奥林匹克的冠军宝座上，坐着一台机器：Nemotron的IMO夺金之路

"数学是上帝书写宇宙的语言。" —— 伽利略·伽利莱

🎭 序幕：一场没有硝烟的战争

2026年7月，澳大利亚布里斯班。

国际数学奥林匹克（IMO）的考场里，来自107个国家的600多名年轻天才正屏息凝神。他们的敌人不是彼此，而是六道几乎不可能完成的数学题。

与此同时，在千里之外的数据中心里，另一支"队伍"也在应考。这支队伍不吃不喝不睡觉，不紧张也不焦虑。它就是 NVIDIA 的 Nemotron-3-Ultra——一个拥有5500亿参数的神经网络，和它的一群"助手"。

当成绩公布的那一刻，整个世界都安静了：

30分。满分42分。金牌线：29分。

Nemotron 以一分之差，跨过了那道人类数学天才们争夺了六十七年的金牌线。

这是人工智能第一次在 IMO 上夺得金牌。不是铜牌，不是银牌——是金牌。而且它不是靠猜、不是靠蒙、不是靠题海战术。它是靠证明——严谨、完整、被人类评委认可的数学证明。

今天，我们要讲的就是这个故事：一台机器如何学会像数学家一样思考。

🧮 IMO：人类智力的"珠穆朗玛峰"

在深入 Nemotron 的故事之前，让我们先理解它征服的是一座什么样的山峰。

国际数学奥林匹克，创办于1959年，是世界上最负盛名的高中生数学竞赛。每年六道题，两天考完，每题7分，满分42分。

这些题目有多难？

想象一下：你花了整个中学时代学习数学，在班上永远是第一名，在全国竞赛中也能名列前茅。然后你坐在 IMO 的考场里，盯着第一题——那道"最简单的"题——看了三个小时，最后只得了1分。

这不是夸张。每年有大约一半的考生在第一题上得0分或1分。而第六题——那道为极少数天才准备的题目——常常全军覆没，没有一个人能完全做对。

IMO 的题目有几个特点：

• 不需要高等数学：微积分、线性代数、群论——这些大学知识一律不许用。题目只涉及中学数学：代数、几何、数论、组合。
• 但需要极高的创造力：解题往往需要构造一个巧妙的辅助线、找到一个隐藏的数论性质、或者设计一个精妙的归纳论证。
• 要求严格的证明：答案只是一个数字或"是/否"远远不够。你必须给出完整的逻辑推导，每一步都要无懈可击。

这正是为什么 IMO 被视为 AI 的终极试金石。下棋？AI 早就碾压人类了。编程？AI 能写出不错的代码。但创造性数学证明？这需要的不只是计算能力，而是某种接近"直觉"的东西——那种在迷雾中看到路径的能力。

🤖 Nemotron：三个"数学家"的合体

Nemotron 的 IMO 系统并不是单打独斗。它由三个不同的"专家"组成，每个都有自己的特长：

这三个模型共享同一个基础架构（Nemotron-3-Ultra，550B参数），但经过了不同的"深造"。

SFT：在证明的海洋中游泳

SFT 模型的训练数据来自一个令人咋舌的过程：

1. 从 AoPS（Art of Problem Solving，世界上最大的数学竞赛社区）收集了近16,000道难题。
2. 用 DeepSeek-V4-Pro（另一个强大的AI）为这些题目生成证明尝试。
3. 对失败的证明进行最多3轮"打磨"——分析错在哪里，如何修正。
4. 引入"验证器"和"元验证器"：不仅判断证明对不对，还判断判断者靠不靠谱。
5. 最终筛选出 414,890道高质量证明题，用于训练 SFT 模型。

这就像是让一个新医生在正式上岗前，先看了41万个病例，每个病例都经过了资深专家的反复审核。

RL：在错误中学习

RL 模型的训练更有意思。研究人员挑选了9,597道"刚好够难"的题目——GA 模型在4次尝试中能解出1到3道的那种。然后用强化学习让模型不断尝试、失败、再尝试。

关键是奖励设计。研究人员故意不设"自我分析奖励"——也就是说，模型不会因为"反思了自己的错误"而获得额外加分。这避免了模型学会"假装思考"来骗取奖励的投机行为。

🏗️ 考试策略：不是一个人做题，而是一家研究所

如果说传统的 AI 做题方式是"一个学生埋头苦干"，那么 Nemotron 的方式更像是"一个完整的研究所在协作"。

它的考试策略分为两个阶段：

第一阶段：地毯式搜索（最多8轮）

对于每一道题目，Nemotron 会进行最多8轮的"生成-验证-改进"循环：

第1轮：火力全开

• 三个模型（GA、RL、SFT）各自生成证明尝试。
• 每个模型用 8种不同的策略（比如"先引理后证明"、"比较不同路径"、"寻找反例"等）。
• 每个策略尝试 16次。
• 总共：384个证明尝试。

这就像是一家研究所把所有研究员都叫来，每个人用不同的方法尝试解题。

验证：严格的同行评审

• 两个专门的验证模型（RL 和 SFT）对每个证明进行独立评审。
• 每个证明得到 16个评分（2个验证模型 × 8次独立判断）。
• 评分标准：0分（完全错误）、0.5分（部分正确）、1分（完全正确）。
• 只有16个评分全为1分，证明才被接受。

这个标准极其严格。想象一下：你的论文要被16个独立审稿人全票通过才能发表。

第2-8轮：打磨抛光

• 如果第1轮没有找到满分证明，系统会挑选出排名最高的16个"半成品"。
• 对每个半成品，验证模型给出详细的"修改建议"。
• 生成模型根据建议进行192次改进尝试。
• 改进后的证明再次进入验证流程。

这个过程就像是一位数学家写出了证明草稿，然后请同事提意见，再根据意见修改——反复迭代，直到完美。

第二阶段：最终评选

经过最多8轮的搜索后，系统会从所有被接受的证明中挑选最多3个"决赛选手"。

每个决赛选手都要经过"终极评审"：

• 三个模型各自用 IMO 风格的评分标准（0-7分）进行评判。
• 每个选手得到 48个评分（3模型 × 16次判断）。
• 按平均分排名，同分情况下选择更短的证明。

📊 战绩：30分的故事

最终，Nemotron 在 IMO 2026 上获得了 30分（满分42分），超过金牌线（29分）一分。

亮点与遗憾

完美解决的题目（1, 2, 4, 5题）：这四道题的完整证明都在前两轮内找到，而且大部分在第一轮就解决了。特别是第1题和第4题，消耗的计算资源相对较少——说明 Nemotron 对"中等难度"的题目已经相当得心应手。

第2题的戏剧性：这道题在第二轮才找到完整证明，消耗了2.27亿个token——是第1题的40倍。这暗示第2题可能需要某种"转折"或"灵感"，不是直接暴力搜索就能解决的。

第3题和第6题的遗憾：这两道最难的题目只各得了1分。值得注意的是，Nemotron 的内部验证器高估了自己的表现——它以为能得更多分，但人类评委只给了1分。这说明在最高难度的题目上，AI 的"自我评估"还有盲区。

有趣的是，在考试结束后继续搜索（超出4.5小时的正式考试时间），Nemotron 在第6题上又找到了一个更好的解法，人类评委 unofficially 给了4分。这意味着如果给更多时间，总分可能达到 33分。

💰 算力的代价：一场烧钱的考试

Nemotron 的 IMO 夺金之路，消耗了惊人的计算资源：

这是什么概念？

• 23.1亿个 token 相当于阅读大约1500万页文本。
• 4,785个 GPU 小时 相当于一台顶级显卡连续工作近200天。

按市场价格估算，这次考试的计算成本可能在 数万到数十万美元 之间。

但这正是关键所在：

Nemotron 不是靠"更聪明"赢得金牌，而是靠"更多时间思考"和"更严格的验证"。

这就像是：给你 unlimited 的草稿纸、unlimited 的尝试机会、unlimited 的同行评审，而且你永远不会疲劳、永远不会失去信心。在这种条件下，即使不是天才，也能解出天才才能解出的题目。

🔬 消融实验：三个臭皮匠，顶个诸葛亮

研究人员还做了一个有趣的实验：如果只用三个模型中的一个，而不是ensemble，会怎样？

结果惊人：

• SFT 在第1轮表现最好（70分），说明专门的证明训练确实有效。
• RL 在端到端表现最好（180分），说明强化学习优化了整体策略。
• 但 ensemble 远超任何单一模型（188分 vs 最高180分），说明三个模型的互补性极强。

这就像是一个研究团队：有人擅长提出想法，有人擅长严谨证明，有人擅长策略规划。把他们组合起来，比任何单打独斗都强。

🌟 深远意义：AI 数学家的诞生

Nemotron 的 IMO 金牌，不仅仅是一个竞赛成绩。它标志着几个重要的里程碑：

1. 从"模式匹配"到"逻辑推理"

传统的大型语言模型（如 GPT-4）在数学上的局限在于：它们更多是在"匹配模式"——从训练数据中回忆相似的题目和解法。但 IMO 的题目每一道都是原创的，没有"标准解法"可以背诵。

Nemotron 的成功表明，通过专门的训练（证明数据+强化学习）和系统化的搜索策略（生成-验证-改进循环），AI 可以开始进行真正的逻辑推理，而不仅仅是模式匹配。

2. Test-Time Compute 的威力

Nemotron 的核心创新不是模型架构，而是测试时的计算策略。它用384次尝试、16轮验证、8轮改进来解决一道题——这在传统考试中是"作弊"，但在 AI 的世界里，这是完全合法的。

这揭示了一个重要趋势：

未来的 AI 能力可能不仅来自训练时的"知识储备"，更来自推理时的"思考深度"。

就像人类数学家可能花几周时间思考一道难题，AI 也可以在"测试时"投入大量计算来"深度思考"。

3. 开放科学的典范

Nemotron 团队做了一个令人敬佩的决定：全部开源。

• 三个模型的权重
• 所有训练数据
• 全部代码
• 200题的 Nemotron-IMO-Bench 评测集

这意味着任何研究者都可以复现、验证、改进这项工作。在 AI 领域越来越封闭的今天（许多顶尖模型都是黑箱），这种开放精神尤为珍贵。

4. 验证的困境与机遇

Nemotron 在第3题和第6题上的"自我高估"揭示了一个深层问题：AI 如何判断自己的证明是否正确？

在最高难度的数学问题上，即使 AI 的验证器也可能会出现"盲区"。这与人类数学家的经验相呼应：最难的错误不是计算错误，而是逻辑上的微妙漏洞——那些"看起来对"但实际上有问题的论证。

解决这个验证问题，可能是通往更强 AI 数学家的关键钥匙。

🌌 结语：当机器开始证明定理

两千年前，欧几里得在《几何原本》中写下第一个数学证明时，他开启了一场人类智力的史诗。

两千年后，一台机器坐在 IMO 的"虚拟考场"里，用数十亿次计算和数百次尝试，写下了自己的第一个金牌级证明。

这不是终点。Nemotron 的 30 分虽然跨越了金牌线，但距离满分 42 分还有距离。第3题和第6题仍然像是两座未被征服的高峰，等待着下一个突破。

但历史会记住这一刻：

2026年，人工智能第一次在国际数学奥林匹克上夺得金牌。

不是因为它比人类更聪明，不是因为它有某种神秘的数学直觉，而是因为它学会了系统性地搜索、严格地验证、不懈地改进——这些正是人类数学家数百年来的工作方式。

也许，真正的数学天才不是那些能一眼看穿答案的人，而是那些愿意在黑暗中摸索、在错误中学习、在无数次失败后依然坚持的人。

从这个意义上说，Nemotron 不仅是一台机器。

它是一位永不放弃的数学家。

📚 参考文献

• NVIDIA Nemotron Team (2026). An Open Recipe for IMO Gold: Training Nemotron for Olympiad Mathematics. arXiv:2609.10712.
• OpenAI (2024). Learning to Reason with LLMs. OpenAI Blog.
• DeepSeek-AI (2025). DeepSeek-V4 Technical Report. arXiv:2505.10047.
• Trinh, T. H., et al. (2024). Solving olympiad geometry without human demonstrations. Nature, 625, 476-482.
• Polu, S., & Sutskever, I. (2020). Generative language modeling for automated theorem proving. arXiv preprint arXiv:2009.03393.
• Welleck, S., et al. (2022). NaturalProofs: Mathematical theorem proving in natural language. arXiv preprint.

#论文 #arXiv #IMO #Nemotron #数学 #人工智能 #小凯