# 从AIME 12%到IMO金牌：OpenAI三人小队的两个月冲刺

> Training Data No. 58 中文精读

- 原标题：OpenAI’s IMO Team on Why Models Are Finally Solving Elite-Level Math
- 发布日期：2025-07-30
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/058-openais-imo-team-on-why-models-are-finally-solving-elite-lev-EEIPto.html
- 精读字数：约 4338 字（阅读约 10 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

2025年7月，OpenAI的模型在国际数学奥林匹克竞赛（IMO）上拿到金牌级成绩：6道题解出5道，每份证明交给3位前IMO奖牌得主独立批改，全部达成一致。

做出这个成绩的核心团队只有3个人：Alex Wei、Sheryl Hsu和Noam Brown。为这届IMO做的最后冲刺，只花了两个月。

再往前看时间线更夸张。15个月前，OpenAI的模型做AIME（美国数学邀请赛）的正确率只有12%。两年前，GSM8K这种小学数学题集，还是各家发布模型时的标准评测。

红杉资本的播客Training Data把这三位请到了一起，从立项、内部怀疑到比赛当晚的细节，聊了个遍。这篇文章把关键信息拆开讲。

## 立项：一个连内部都不太信的项目

IMO金牌这个目标，OpenAI惦记了很多年。主持人Sonya Huang记得，2021年Sam Altman找红杉融资时，幻灯片里就写着IMO金牌，她当时的反应是这东西遥遥无期。

Alex加入OpenAI的第一周，Noam就问他：你觉得模型什么时候能拿IMO金牌？Alex当时的判断是，2025年拿到的概率很小。

结果就是2025年。这个专项的实际时间线是：核心想法大约6个月前成形，真正的冲刺只有两个月。核心团队就是他们仨，背后当然有推理、扩展、预训练和强化学习各组同事的支持。但Noam把话说得很直：

> 「主要是Alex的功劳。这个技术他琢磨了很久，我和Sheryl是在临近IMO的时候帮忙把它变成现实的。」

内部态度也经历了变化。Noam说，项目早期怀疑的人不少，大家愿意给他们探索的自由，等证据越来越强，怀疑的人才慢慢变成兴奋的人。怀疑到什么程度？Noam是出了名爱打赌的人，比赛前两个月他问一位同事敢不敢赌模型拿金牌，对方说愿意按1赔2的赔率赌拿不到，等于认为胜率不到三分之一。但对方最后拒绝下注，理由是赌自家团队输，气氛不好。

Sheryl的说法更实在：哪怕离比赛只剩一两个月，团队内部都觉得还得再涨一大截才够，谈不上乐观。

那早期让他们敢押注的证据是什么？Alex的答案是：**模型在「难以验证的任务」上开始持续进步了。**此前的强化学习大多围着「可验证奖励」转，答案对错一眼能判，比如代码跑不跑得通。而IMO这种自然语言证明没有现成的验证器，恰恰是通用推理最难啃的部分。看到模型在这种任务上变强，他们才觉得这事有戏。

## 第6题交了白卷，团队反而踏实了

这次比赛最出圈的细节是第6题。IMO的传统是第3题和第6题最难，今年第6题是道组合数学，所有参赛模型都没做出来，OpenAI的模型干脆没尝试，直接输出「No answer」。

Alex本人就是IMO级别的选手，他的原话是：

> 「就算给我几个月去想，就算再给我一条关于解题主思路的大提示，我也觉得到不了答案。」

可走的路径太窄，岔路太多，这就是第6题。团队往上面砸了大量算力，模型的反应是承认做不出来。Sheryl说，看它干了那么多活最后只回一句「No answer」，挺失望的，但至少它没瞎编。

用考试打比方，以前的模型像那种不会也硬要写满卷子的学生，编一个看起来像样的答案交上去。现在的模型学会了交白卷。**知道自己不会，这件事本身成了能力。**

Noam讲了个背景。推理模型刚发布那阵，他去问一批数学家和计算机科学家用得怎么样，回答普遍是有用，但抱怨集中在一点：问一个模型不会的问题，它会输出一个非常有说服力的错误答案，教授们得逐行检查，看它有没有偷偷把一个不等号翻个方向。

这次不一样了。Noam有位斯坦福的数学教授笔友，每次OpenAI发新模型都会来邮件问「那道题现在能解了吗」。之前每次的回复都是「答案是错的」。这次模型还是没解出来，但至少承认自己解不出来。Noam认为这是很大的一步。

还有个可爱的细节。模型思考时会用自然语言流露状态，有把握时会频繁说「good」，没把握时会冒出一堆问号。团队最怕看到的句子是「Seems hard」。Sheryl说，第6题上这句话出现了很多次，然后就没了下文。

顺带一提，Noam是数学专业出身，但没搞过竞赛数学。他说这些证明已经超出他能批改的范围，Sheryl也一样。模型写的证明，连造模型的人都要请外援来判卷。

阅卷流程是这样的：团队请了外部的前IMO奖牌得主，每份证明由3位独立批改，要求达成一致共识才算通过。证明原文放在了GitHub上，这里还有场内部争论：他们试过把原始证明丢给ChatGPT重写一遍，结论不变，可读性大幅提升。发布时放哪个版本？最后为了完全透明，放了原始版本。

Alex对原始输出的形容相当不留情面：「风格有点惨不忍睹。」小团队快速冲刺，没怎么优化人类可读性。但他强调想优化随时可以，ChatGPT能写得那么好读，同样的能力搬过来就行。

## 基准沦陷的速度，和一千倍的时间鸿沟

Noam在节目里复盘了数学评测被「打穿」的速度。几年前模型还在小学数学上挣扎。2024年，各家发模型还拿GSM8K当标准评测，之后是MATH，然后是AIME，再然后是USAMO。Sheryl记得，两年前她还在拿GSM8K训练模型。

把时间尺度拉出来看更直观。一道GSM8K题，数学好的人几秒钟解完。IMO是3道题考4.5小时，平均一道题要花顶尖学生1.5小时。研究级数学，还是这批天才学生，长大成了研究者，一道题大约要花1500小时。千禧年大奖难题，则是整个领域几代人的时间，大部分至今没什么进展。

**从几秒到1.5小时，再到1500小时，每一级都是上千倍的跳跃。**Alex说，一方面这两年进步惊人，另一方面也让人清醒：从1.5小时到几万、几十万小时的人类思考量，路还很长。

这次突破的底层逻辑是把测试时计算拉长。Sonya的总结是：一年前模型的推理时长在0.1分钟的量级，现在到了100分钟的量级，一年涨了约一千倍。团队的希望是继续扩展到几千、几十万小时，到那时模型才有机会去碰人类悬而未决的大问题。

但拉长时间会撞上一个新瓶颈：评测。Noam说，如果模型要思考1500小时，评测它就得让它真的思考1500小时。现在模型思考1.5小时，跑个测试不算什么。可要是设计一个让模型思考一个月的测试，就得等一个月才能拿到结果，像监考一场时长一个月的考试。**评测本身开始成为进步的减速带。**

另一个扩展手段是并行计算。Noam确认这次用到了多智能体来扩展测试时计算，具体技术不方便展开。

## 为什么不用Lean，为什么死磕通用方法

今年IMO官方的AI赛道用的是Lean，一个形式化验证工具，证明对错由程序判定，没有争议空间。OpenAI偏偏选了自然语言，没有验证器兜底。

Alex的解释是，这两条路是正交的。非形式化数学难就难在「难以验证」，而这个难点恰恰对应一大类通用任务。世界上能被形式化的东西很少，绝大多数问题只能靠非形式化推理去碰。**选IMO的自然语言赛道，练的是通用能力，Lean只是其中一个窄工具。**

Noam补了句公道话：窄域AI没什么不好，它在特定领域可以远超通用AI。就像人类数学家觉得Lean有用，通用AI也完全可以和形式化系统配合，组合起来更强。

坚持通用还有一层原因，来自Noam的亲身教训。他做过扑克AI，Alex和他都做过外交谈判AI，Alex是CICERO团队的成员。这些项目他至今自豪，但每个都花了好几年。在AI进展这么快的当下，花几年做一个只能干一件事的定制系统，性价比越来越低。**这次IMO用到的所有技术，拉长思考时间、应对难验证任务、并行计算，全部是通用技术，已经用在或计划用在其他系统上。**Sheryl补充，基础设施和OpenAI近期发布的那些产品（比如ChatGPT的agent）是同一套。

## IMO之夜，和金牌之后的事

比赛当天的流程是等参赛者考完、题目公布，然后立刻把题目喂给模型。那大概是凌晨1点。Noam直接去睡觉了，说不打算熬4个半小时盯输出。Alex和Sheryl留下了，全程围观。

中间有个插曲：Alex困得不行去打盹，队友叮嘱他把手机铃声打开，有事好叫醒他。后来真打了电话，没叫醒。

Sheryl负责盯系统稳定，Alex则焦虑地盯着模型的中间进展，还亲手检查了一遍证明。本来证明是要发给阅卷人的，他实在太好奇。

拿了竞赛数学的顶点之后干什么？去打Putnam吗？Alex说不用，他们在评测里发现模型做Putnam比做IMO还强，因为Putnam单题时间更短、更吃知识积累。真正的边界已经换了，**限时竞赛不再是前沿，前沿是那些需要长时间深度思考的问题。**

但Alex也反复强调中间的鸿沟：竞赛题是1.5小时，真正的科研突破是1500小时量级的工作，中间差着一千倍。

主持人提到Demis Hassabis的一个说法：最难的是提出有意思的问题。Noam部分同意，说模型现在解题很强，出题还是挑战，连出一道IMO题都需要一批数学家花大量精力。但他接着盘了这条线：LLM刚出来时，大家问怎么让它学会推理；学会了推理，又问怎么在难验证任务上推理；现在这关也过了。**下一关是提出新问题，但他看不到任何根本性的障碍。**

至于物理奥赛？Alex说那更难，因为物理奥赛有实验环节。Sheryl接了句：「我们得先解决机器人。」

模型什么时候能用？Noam说想让数学家用上，细节还在定。那位斯坦福教授就是现成的用户，在o1发布前一年就发邮件想合作解难题。Noam当时的回复是，先把通用推理能力往前推，迟早能帮上你。教授半信半疑，但每次发新模型都来问同一道题。答案从「这是错的」，变成了这次「它承认自己不会」。

这个成绩本身也来得晚。Noam说，这是个临门一脚的结果，连OpenAI内部很多人都被惊到了。下一步是把它融进模型，全面提升推理能力，但部署给全世界还需要一些时间。

## 明天就能用的三件事

看完这场访谈，有三件事普通用户和从业者明天就能照做。

- **给模型留几道「它肯定不会」的题。**评估一个模型可不可信，别只看它答对多少，看它面对超纲题时是硬编还是认怂。会输出「No answer」的模型，答对的部分才更值得信。你可以专门维护三五道自己知道标准答案、但模型大概率不会的题，当作每个新版本的试金石。
- **把验证成本算进项目预算。**模型思考时间越长，验证它就越贵，这个规律对个人工作流同样成立。让模型跑长任务之前，先想清楚你怎么检查它的产出，检查方式撑不起任务时长，就先拆小任务。
- **学那位斯坦福教授，维护自己的难题清单。**准备几道你真正关心的难题，每次模型更新就重测一遍。模型能力边界挪到哪，你会比大多数人早知道，这比追新闻快得多。

最后留一个这期节目里最值得咀嚼的判断。从GSM8K到IMO金牌，模型花的时间以月计。而从IMO的1.5小时到科研级问题的1500小时，中间是一千倍的鸿沟。OpenAI这三人小队证明了前半段的路能走通，后半段能不能按同样的斜率爬上去，接下来几年就能见分晓。