7月19日，全世界顶尖大模型在2025年的IMO赛场上几乎全军覆没。 时隔1天，OpenAI、DeepMind等顶尖实验室就在IMO 2025赛场斩获5/6题，震惊数学圈。 「Strawberry」是OpenAI当初在内部研发时使用的代号，用于推动一项全新的推理模型项目，就是我们现在熟悉的「o」系列模型。 如果大家点进去这些评测其实也可以发现，早期火爆的GSM8K目前很少有新模型再去测试，因为大多数顶尖模型都可以拿到很高的分数，没有区分度。 当前AIME还是比较火爆的，但是随着Grok 4 Heavy拿到满分之后，未来应该也会很少人再去测试了。 测试使用了 best-of-32 的选择策略，即对于每个模型的解答，首先生成 32 份回应，随后借助"大语言模型评审系统"对这些回应进行评估，两两比对选出更优答案。 陶哲轩指出，虽然多家 AI 公司都声称在 IMO 题目上取得了好成绩，但由于缺乏统一的测试环境和标准，很难进行公平比较。 总而言之，OpenAI的IMO成果不仅是一个技术里程碑，更是一个清晰的信号：前沿AI的发展重心正在从广泛的知识覆盖，深化到专精的、可验证的、类似人类的创造...