新智元报道
上海的七月，热浪滚滚。
第67届国际数学奥林匹克正式落幕，中国队以232分斩获桂冠。三名少年拿下42分满分。
现场掌声还未散尽，GitHub上悄然浮现了另一份亮眼的成绩单。
前Google工程师Deedy Das甩出一场AI横评：7个前沿大模型，全自主单挑IMO 2026全部6道题。
Claude Fable 5狂揽42分满分。耗时仅仅2.5小时，烧掉51美元。
GPT-5.6 Sol的xhigh版本同样满分。用时3.8小时，成本更是压到了极低的20美元。
Kimi K3紧随其后拿下满分。历经17.4小时鏖战，花费31美元。
再算上独立交卷的AxiomProver，整整四方势力全部登顶满分。
作为参照，过去七年IMO，4347名人类选手参赛，只有30人拿过满分——比例0.69%。
成绩断层式碾压
从结果来看，不仅满分42和第四名28之间横着14分的鸿沟，而且三个满分模型登顶的姿势截然不同。
Claude Fable 5打得干净利落。9轮对话，6轮有效输出，单趟最长73分钟（P3），全程输出70万token。
GPT-5.6 Sol显得有些坎坷。在P2上磨了106分钟跑4轮，中途被网络故障打断两次。但算力控制堪称恐怖——总输出只有23万token，三个满分里最省。
Kimi K3像一头不知疲倦的巨兽。2.8万亿参数的MoE模型，一口气喷涌出154万token，是Sol的6.5倍。光P3一道题就发起6次冲锋，鏖战491分钟。
左右滑动查看
数学直觉的正面交锋
P1是全场最温和的开胃菜，所有模型几分钟搞定，人类选手也几乎无一失手。
题目大意是：黑板上写着2026个大于1的正整数。每一步，选两个数m和n，擦掉，换上gcd(m,n)和lcm(m,n)/gcd(m,n)。反复操作直到无法继续。证明：(a) 过程一定会终止，最终恰好剩一个大于1的数M；(b) M的值不依赖于操作顺序。
为了便于理解这道题，我们先做一个微缩实验。
黑板上只有12和18。12 = 2² × 3，18 = 2 × 3²。第一步：gcd(12,18) = 6，lcm(12,18)/6 = 6，黑板变成[6, 6]。第二步：gcd(6,6) = 6，lcm(6,6)/6 = 1，黑板变成[6, 1]。只剩一个大于1的数，游戏终止。M = 6。
不管你怎么打乱操作顺序，M永远是6。为什么？
答案藏在素因子里。
对每个素数p，取所有数被p整除次数的最大公约数，再把这些素数幂乘起来——这个值从第一步到最后一步都一直不变。
Claude Fable 5：直接生造了一个每步必定缩水的计数器。
对于这道题，Fable 5定义了一个量Φ = T + N。T是黑板上所有数的素因子个数之和（重复计），N是大于1的数的个数。比如黑板[12, 18]，12的素因子是2、2、3共3个，18的是2、3、3共3个，T = 6，N = 2，Φ = 8。
然后它证明了：每执行一步操作，Φ至少减少1。分两种情况——如果gcd(m,n) > 1，素因子总数T会减少；如果gcd(m,n) = 1，T不变但大于1的数少了一个，N减1。Φ是正整数，每步至少减1，过程必须在有限步内终止。单一计数器，一刀斩断。
GPT-5.6 Sol：追踪乘积，字典序降维。
Sol看的则是两个量：P = 所有数的乘积，K = 大于1的数的个数。每步操作，如果gcd(m,n) = d > 1，新的两个数的乘积是mn/d，比原来小，全局乘积P严格变小。如果d = 1，P不变，但K减少1。
(P, K)这个二元组在字典序下严格递减：要么P变小，要么P不变但K变小。正整数的字典序不可能无限递减。终止。
两条截然不同的路径攻克了同一个问题的(a)部分。
到了(b)部分，三个模型殊途同归：都证明了对每个素数p，黑板上所有数被p整除次数的最大公约数在操作中不变。最终公式也是一模一样——
回到例子验算：12和18。对p=2，v₂(12) = 2，v₂(18) = 1，gcd = 1，贡献2¹。对p=3，v₃(12) = 1，v₃(18) = 2，gcd = 1，贡献3¹。M = 2 × 3 = 6，和手算分毫不差。
全场最廉价的白卷
P6这道数论题是Day 2的压轴，它要求证明递推序列最终具有周期性。
去年IMO 2025全球只有6个人类解出P6。
Claude Fable 5：26分钟，两轮，满分。GPT-5.6 Sol：60分钟，两轮，满分。Kimi K3：381分钟，四轮，满分。
Grok 4.5在P6上只挤出7053个token，全场垫底。提交文件里赫然写着一句：Full proof: (Not yet complete.)
$0.18，全场最廉价的白卷。
Grok的毛病不止于此。整个测试中它反复陷入一种诡异的幻觉：信誓旦旦地声称「证明已经写入文件」，后台却连写入工具都没碰一下。
这不是数学能力问题，是agent能力问题。模型知道应该写文件，也声称自己写了，但在工具调用层面没有动手。
三年三级跳
硅基大脑的恐怖进化
2024年，DeepMind的AlphaProof首次在IMO级别摸到银牌门槛。
2025年，OpenAI和DeepMind同时出手。OpenAI未公开模型解5题拿下35分金牌，Gemini Deep Think达到同等段位。
2026年，三个通用大模型直接拿下满分。这次，不仅没有经过任何专项数学训练，而且所有人都能用上。甚至还有一个是开源的。
写下机器战书的人
整场测试的起点，是一家叫Axiom Math的公司。
他们将IMO 2026的全部6道考题，逐字逐句翻译成了机器能够理解的Lean 4形式化题面。
有了这套机器可读的题目，AI才能直接输出Lean证明、由编译器自动判分，不再需要人类评委阅卷。
拿到题面后，Deedy Das迅速搭建起全自动化的测试框架。各大模型在赛道上各自狂奔，跑完了全部6道关卡。AxiomProver也独立斩获了满分。
值得一提的是，Axiom Math的创始人洪乐彤年仅25岁。她出生于广州，仅用三年便横扫MIT数学与物理双学位，更是Morgan Prize的得主。
去年底，她一手打造的AxiomProver拿下了Putnam数学竞赛的满分。这是该项赛事98年历史上的第6个满分奇迹。
今年3月，这家公司完成了2亿美元A轮融资。估值直冲16亿美元。
普通人的生活将被如何重构
能写4229行严格证明的模型，手里握着的不只是解数学题的能力。
它真正掌控的是长链条逻辑推导，每一步不能跳、不能错、不能含糊。
合同条款有没有漏洞、保险理赔条件满不满足、税务方案合不合规，剥开表象都是同一类问题：答案不能「差不多对」。
过去这种逐条核验只有专业人士能做，按小时计费。
如今，随着这个能力铺进消费级产品，遇到棘手问题，只需打开手机就行了。
参考资料：
https://x.com/deedydas/status/2079409461874332066
编辑：摩西
热门跟贴