新智元报道
编辑：Aeneas
AI 做奥数的神话，刚刚被戳破了！最新出炉的 2025 IMO 数学竞赛中，全球顶尖 AI 模型无一例外翻车了。即便是冠军 Gemini 也只拿下可怜的 31 分，连铜牌都摸不到。Grok-4 更是摆烂到底，连 DeepSeek-R1 都令人失望。看来，AI 想挑战人类奥数大神，还为时尚早。
如果你以为，如今的 LLM 已经无所不能，那刚刚出炉的 2025 大模型数学竞赛结果，恐怕要让你大跌眼镜了。
现在，各模型的分数已经在 MathArena 上发布。
怎么说呢，所有大模型都翻车了。
即使得分最高的冠军 Gemini，也只拿到了 31% 的分数。凭这个成绩，连拿铜牌都不大可能。
也就是说，AI 想超越目前顶级的人类数学选手，还差得远呢。
苏黎世联邦理工学院 SRI 实验室的博士生 Jasper Dekoninck，发了一篇博客记录此次大赛的详细过程。
大模型参加数学竞赛，全部翻车！
在今年 4 月，来自 ETH Zurich 等机构的 MathArena 团队，就曾推翻 AI 会做数学题这个神话。
而在这届 2025 国际数学奥林匹克（IMO）上，全球的 AI 顶流们又齐聚一堂了。
为了测验 AI 们的数学能力天花板，MathArena 项目组这次祭出了数学界的终极 boss——2025 年 IMO 真题。
国际学生奥林匹克竞赛（IMO）是全球 18 岁以下数学学生的顶尖赛事。参赛者都经过了大量训练，每道题都有数小时的解答时间。
IMO 真题是什么水平呢？它们能难倒全球数学能力最顶尖的高中生，甚至还能分分钟劝退无数大学数学教授。
在 2024 年，美国队的六名参赛者得分在 87-99% 之间。而陶哲轩在 13 岁时，就获得了 IMO 的金牌。
这次，组委会希望了解，这些大模型是否能达到拿到奥数奖牌的里程碑级别，比如铜牌（前 50%）、银牌（前 25%）甚至金牌（前8%）。
另外，为了防止「开卷作弊」这个问题，评测团队特意选了一个巧妙的时间：题目刚刚发布，他们就开始让 AI 们答题了，所以这些大模型不太可能在数据集中提前见过这些数学题。
可以说，这些基准测试是既未受污染，又是可解释的。
而 AI 们的所有答案，都是由两位奥数专家评委双盲评分的，标准的严苛程度堪比 IMO 官方。每道题满分 7 分。
此次的参赛选手，阵容也是空前豪华，堪称是 AI 界的梦之队。
· o3（OpenAI 扛把子）
· o4-mini（OpenAI 小钢炮）
· Gemini 2.5 Pro（谷歌第一大将）
· Grok-4（马斯克家的理工男）
· DeepSeek-R1（国产尖子生）
之所以选择这五位参赛选手，是因为它们此前都在 MathArena 中有出色的表现。
其中，每个模型都使用推荐的超参数运行，并且设置了 64000 的最大 token 限制。
Prompt 如下——
你的任务是为以下问题写出一个证明解决方案。你的证明将由人工评委根据准确性、全面性和清晰性进行评分。在撰写证明时，请遵循以下指南：
-你正在撰写一份证明，而不是证明大纲。每一步都应该仔细解释并记录。如果解释不充分，评委将认为你无法解释清楚，从而降低你的分数。
-你可以使用通用的定理和引理，但前提是它们必须是众所周知的。一个简单的判断标准是：如果该结果有名称，并且足够有名以至于有维基百科页面或类似的内容对其进行描述，则允许使用。任何来自论文的结果，如果它不会在高中或本科低年级数学课程中教授，则不应使用。任何此类结果的使用将立即导致你的成绩为零。
-在你的证明中不要跳过计算步骤。清楚地解释做了哪些变换，以及为什么在计算的每一步中这些变换是被允许的。
-你应该使用正确的 LaTeX 符号来编写公式和数学符号。你应当将这些公式包含在适当的符号中（行内公式使用 "\\(" 和 "\\)"，块状公式使用 "\\[" 和 "\\]"），以增强证明的清晰度。不要使用任何 Unicode 字符。
-你的证明应该是自包含的。
-如果你对某个具体步骤不确定，或者不知道如何证明一个中间结果，请明确说明。指出你的不确定性比做出错误的陈述或主张要好得多。
为了公平，项目组这次采取了一种「best of 32」的策略。
也就是，每道题都会跑出 32 个不同答案，然后让 AI 自己当裁判，通过一轮轮 PK 选出最强解法后，才会送去给人类评审打分。这样，模型在推理时，就会尽可能多地扩展计算资源。
因此，这次比赛可以说不仅是卷得离谱，烧钱也烧得令人心疼——
比如，Grok-4 的单题评测成本就高达 20 美元，所以 24 题的总成本，就超过了 480 刀！
所以，大模型们的表现如何？
金银铜，全军覆没
Gemini 2.5 Pro，全场最高分
Gemini 2.5 Pro 在满分 42 分的考卷中，拿到了 13 分，约等于 31%。
这个分数，连铜牌的门槛都没摸到。
而即使是作为表现最好的 AI，Gemini 也依然有不少毛病。
比如，遇到不会做的题时，它会编出一些看起来似乎很权威的假定理，比如「根据史密斯-约翰逊超平方引理可得」。
但实际上，这个定理根本就不存在！
此前 Gemini 2.5 Pro 的答题情况
Grok-4：翻车最严重，基本没救了
而最近因为 AI 女友事件大出风头的 Grok-4，则严重翻车了。
它的表现堪称灾难：它给出的绝大多数答案只有最终结果，完全不解释，整个就是一副「我懒得证明，我就是知道」的摆烂态度。
而显著落后的一个选手除了 Grok-4，还有 DeepSeek-R1。
这两个 AI 在此次奥数中的成绩，相较于它们在 MathArena 基准测试中的早期成绩，退步明显。
此前 Grok 3 mini 的答题情况
AI解题的独特姿势：做不出来，我就跳过
在这个过程中，研究者们还发现了 AI 做数学题的一个有趣现象。
通常，在人类选手参加 IMO 比赛时，他们要么一题全部做对，要么干脆拿 0 分，拿 3 分、4 分这样的中等分数，其实是很少见的。
不过大模型可就完全不一样了，它们特别擅长考个「及格边缘线」。
也就是说，它们时常能捕捉到正确的解题思路，方向是对的，但是一到最关键的地方就会掉链子，逻辑跳跃严重。
尤其是到了该证明的关键一步，它们就不证明了。而这恰恰是人类选手最不容易出错的地方。
对此，评审组的感受是：AI 现在已经能抓住「人类感」的思路，但是在细节能力上，还是差点火候。
而如果 AI 们能把这些逻辑问题给搞定，未来它们的成绩说不定还真能冲上领奖台。
此前 DeepSeek-R1 的答题情况
2025 IMO 真题
我们来看看，今年几道 IMO 真题长什么样子。
问题1：
问题2：
问题3：
问题4：
问题5：
问题6：
AI 离成为奥数大师，究竟还有多远？
也许你会有疑问，自己平时测这些大模型的时候，做数学题并没有这么强啊。
原因当然就在于，这次大模型们的「Best-of-32」大法了，如果不是用了这个策略，很多模型的得分连 10 分都没有。
这也就揭示出这样一个现实：想要让模型发挥得好，就得拼资源、拼算力、拼试错次数。
如果只是普通用户随便跑一遍模型，根本不可能达到这种效果。
总之，这场「AI 数学奥赛」，已经暴露出了很多关键问题。比如想法没问题，但存在逻辑链的短板；会判断解法质量，但还得靠大量计算。
或许再过几年，某个 AI 真的能打出满分 42 的神级操作，但显然，今天的 AI 还达不到这个成就。
目前来说，人类数学选手们还是安全的，还可以放心睡个好觉。
参考资料：
