GPT-5悬了！DeepSeek开源全球首个奥数金牌AI，正面对线谷歌

全球首个开源的IMO金牌水平模型已经出现，DeepSeekMath-V2在IMO 2025解出6题中的5题并公开了代码与权重

2025年11月27日晚，这个模型被放到 Hugging Face 和 GitHub，同步释出论文，底座来自 DeepSeek V3.2 Exp Base

同期公布的成绩不只亮眼，还直戳核心问题：是靠一次灵光一现，还是把“能证实可靠”变成了能力的一部分

这次的关键不在更长的推理串，而在把“验证过程”变成模型训练的主轴

DeepSeek把生成、判分与复核三件事绑成闭环

生成端先写证明，再给自己打一个“稳不稳”的判断

验证端按严格细则给出0分、0.5分或1分，并指出具体缺口

复核端则盯着验证端的分析是否靠谱，错误定位是否真实存在，评分理由是否匹配规则

这一来一回，奖励信号不再只看最后答案，而是把“检视自己”的能力价值得到体现

在可量化指标上，复核端介入后，验证分析的平均质量分从0.85升到0.96，打分准确率维持稳定

训练中还刻意放大了验证器的算力来处理更复杂的证明样本，让验证器自身也获得进化空间

生成与验证相互刺激，生成端提出更挑剔的证明路径，反过来暴露验证端的盲点，再被修正，闭环逐步收敛

不是炫技，而是把“过稿”变成程序化流程

DeepSeek在普特南2024的外测里得了118分，满分是120分，人类参赛者最高分是90分

CMO 2024达到金牌区间

ProofBench-Basic上拿到接近99的高分，对比谷歌的Gemini Deep Think是89

ProofBench-Advanced则是61.9，略低于Gemini Deep Think的65.7

数据摆在那，一进一退，很清楚

这和以往“猜对就奖励”的范式不同

IMO级别的题本质是写出无漏洞的证明，简单对答案没意义

DeepSeek把奖励主要给到过程的可靠度和自我纠错的诚实度

生成端如果把不确定写明白，甚至承认某一步可能不成立，反而更有利于拿到正向反馈

长期看，最优策略就是在最终提交前把问题捞干净

单刀直入的实力不是传说，One-Shot测试也站得住

内部的CNML测试集合并了代数、几何、数论、组合、不等式五类难题，与GPT-5-Thinking-High和Gemini 2.5-Pro对比，DeepSeekMath-V2在多个科目全面领先，几何科目分数接近后者的三倍

这意味着即便不给多轮反思的时间，底层推理能力也足够硬

真正的突破发生在允许它“多想几次”的设置下

DeepSeek把IMO候选题拿来做连续修正实验，第一次迭代平均得分0.15，允许最多八次自我修正后提升到0.27

若从自己生成的32个思路里挑一个最佳，得分能到0.42

这组结果说明，模型不仅会改，还知道哪一条答案更可靠

把算力用在找证据而不是堆冗余，也是一种策略

DeepSeek在高强度测试里，每道题先生成64个候选证明，再为每个证明生成64份独立验证分析，只有全部通过的证明才被接纳

严格筛选带来了更高置信度，也带来了IMO 2025中解出5题的结果

这不是运气，是流程设计让证据更充分

DeepSeek团队在论文里直言，自我验证对扩展测试时间计算尤为重要，对没有已知解法的开放问题意义更大

他们同时提出，可自我验证的数学推理是一条可行的研究方向，有助于开发更强的数学AI系统

谷歌DeepMind的Gemini Deep Think同样触及了IMO金牌线，且在Advanced基准上保持领先

两条路径的差异一目了然

DeepSeek选择把方法、权重与论文释出，训练成本和使用门槛被显著压低

开源把“强模型”从展示品变成工具箱

开源也意味着更多人能复测、对拍、挑错，验证逻辑有了真实世界的磨砂感，这正是自验证路线需要的生态

时间线也很直给

2025年11月，OpenAI更新到GPT-5.1，谷歌发布Gemini 3系列，行业进入高频迭代期

11月27日晚，DeepSeek把V2放上开源平台，论文同步；

27日至28日，成绩与细节陆续披露，引发自验证技术路径的讨论

接下来的两三天，社区测评、友商回应、教育与科研侧的适配都会给出更多信号

市场侧有一个小注脚，科创人工智能ETF在11月28日上午微跌，但近五日净流入超过2亿元，乐观的预期并未降温

银河证券点评认为，DeepSeek的架构创新显著降低训练与推理成本，推动商业化落地

他们还提到，DeepSeek-R1在发布后七天内新增用户过亿，成为增速最快的AI应用之一

谨慎也必须写在这里

文中涉及对GPT-5相关测试的对比，未见官方统一基准公示，理解时需保留余地

自动标注与专家判断“高度一致”的说法，论文未披露一致性量化指标和样本规模，需要后续第三方复核

还有关于DeepSeek其他模型的坊间传言，未经证实，不做展开

回到技术本身，这套生成与验证的闭环正在产生一个连锁反应

生成端的能力提升，带来更有难度的证明样本，推动验证端迭代；

验证端变强，又能给回更细的奖励信号

最后两轮训练迭代里，自动化标注已经顶替了人工标注，后续抽检显示与专家判断吻合度很高，这意味着构建大规模高质量训练样本的成本被压低到一个新区间

如果说大模型过去像善于回答的人，现在更像一个会把草稿纸写满再抬头的解题者

真正的分水岭不在“答对”，而在“自证”

数学证明要求每一步都能被追问，这逼得模型学会停下来、回看一眼、再走下一步

一个能审视自己输出的系统，更接近可以信赖的工具，而不只是会写漂亮答案的文案机

对行业的影响会沿着三条线蔓延

短期是研究者可以直接复现与改造，开源降低了教学与训练的门槛；

中期是评测方法与开放题的流程被重写，验证将成为新常识；

长期是开放与闭源的博弈会持续，闭源保优势，开源保速度，各自的边界会更清楚

把算力堆成高墙不再是唯一选项，把验证做成底层能力才是通往可靠推理的快路

接下来几天值得关注的节点也很具体

11月29日，社区版的初测报告会集中出现；

11月30日，谷歌是否对比对给出正式回应；

12月1日，教育与科研侧的适配案例是否能跑通第一波

技术之外，问题都变成了实践题

结论并不花哨，自验证把“能不能做出一道题”变成“能不能站住一份证明”，DeepSeekMath-V2用开源给出了一个清晰且可复验的答案