Gemini奥数金牌，当之无愧！ETH Zurich博士在大学生国际数学竞赛中，评估了Gemini的三个版本，成绩远超前8%的金牌标准，也明显强于一般大学生水平。

大学生数学不如AI？

最近，MathArena平台上线了新赛事，由苏黎世联邦理工学院SRI实验室博士生Jasper Dekoninck发起，这项赛事是大学生国际数学竞赛（IMC）。

最终，LLM以高分胜出：语言模型在国际数学竞赛中拔得头筹。

Gemini远超普通大学生水平

国际数学奥林匹克竞赛常被研究工作者当作检验人工智能数学思考能力的标尺。

最近，刚结束的国际数学奥林匹克竞赛上，谷歌、OpenAI等公司纷纷表示，它们的产品在该赛事中获得了最高荣誉。

不过获奖的AI系统运作方式不公开，其产生的结果也难以说明，因此这些金牌引起了大家的普遍质疑和广泛关注。

这次在MathArena上，首次对AI本科生参加数学竞赛的情况进行了评定，主要目的是为了证明AI确实有能力获得IMO金牌，同时也要看AI在高中级别竞赛（如IMO）中的优异表现能否延续到大学级别竞赛中。

本次检测涵盖了三个系统，分别是Gemini Deep Think IMO，该系统在IMO 2025竞赛中获得金牌，还有Gemini-2.5-Pro，以及Gemini-2.5-Pro Best-of-32作为基准对比。

由于OpenAI获得金牌的模型尚未发布，无法对其进行评估。

检测数据表明，这三种设备都取得了非常优异的评级，远远超过了前百分之八的金牌标准。

Gemini Deep Think和Gemini Agent都能够圆满完成各项任务，只是偶尔会产生一些小瑕疵，这些瑕疵多数源于中间环节的推理不够周密，或是引用相关原理时存在偏差。

令人惊讶的是，Gemini Best-of-32所取得的成果，要远远超过它在IMO 2025上的成绩，只在其中一个题目（P5）上犯下了严重的失误。这或许是因为IMC所涉及的内容更加深入复杂，而大型人工智能系统通常在这样的场合中能够发挥得更好。

这次得出了三大结论：

结论一：这三个模型在IMC竞赛里都拿到了高分，Gemini Deep Think和Gemini Agent对于所有问题都给出了多数准确的回应。它们的分数完全可以和人类顶尖大学生参赛者相提并论。

结论二：从证明水准和明晰程度两方面权衡，评审团对模型的排列顺序是：Gemini Deep Think领先，Gemini Agent次之，Gemini Best-of-32位列第三。

分析显示，Gemini Deep Think在结果呈现上具有显著优势，其生成的证明相较于其他模型更为明晰且富有启发性。该模型偶尔能构思出独具匠心的解决方案，而多数自主系统则倾向于采用耗费大量计算资源的技术手段。

此次评估系突发追加，故评估范围有所收窄，各模型于每项议题仅接受一次考核，评判工作由单一名裁判执行。

IMC金牌，含金量如何？

国际大学生数学竞赛IMC由英国伦敦大学学院负责发起，保加利亚美国大学负责执行，活动计划于2025年7月28日到8月3日在保加利亚布拉戈耶夫格勒开展。

这个比赛招收对象为大学本科在读生，年级须在第一至第四学年之间，参赛者年龄不得超过23周岁，特殊情形可个别审核。没有设定年龄下限。

试题覆盖的学科有代数，分析（包括实分析和复分析），几何以及组合数学，比赛所用的语言是英语。

IMC为期两天，每天有5道题目，每题10分。

IMC竞赛：网址是www.imc-math.org.uk，年份参数是2025，项目参数是problems

此次运用了参照2025年美国数学奥林匹克竞赛的评判方式，稍作改动。

文献网址为 https://arxiv.org/abs/2503.21934, 这是一篇可供查阅的学术论文, 内容详实。

招募了两名经验丰富的评委来评估模型提交的作品。

防止造成污染，评分活动在公布IMC 2025题目后马上启动。各位评审各自拟定题目评分依据，然后针对匿名的参赛作品实施打分，最高分为10分。

每个模型都使用相同的评分标准对全部问题进行了单独评估。

计算时间长短影响着计算能力和大型模型的开销。为了这个目的，Jasper Dekoninck说明了三个系统各自的耗时状况。

受限于时间条件，目前不会对其他模型展开评估，不过这些模型也有很大潜力在本场竞赛中斩获佳绩。

这项评估对切实检验模型性能意义非凡，部分网民急切期待o3-Pro、Claude、Kimi K2在IMC考核中的具体成果

结果分析

在评估模型表现时，研究者不仅依据量化指标，还从模型给出的结果中，挖掘了诸多定性的分析和洞见，从而有助于更深入地认识不同模型在数学推理方面的能力。

Gemini Deep Think：清晰性最强的证明者

数学推理方面，表述明确既是评判者评分的标准，也是衡量模型对问题把握程度的标尺，尽管Gemini Best-of-32的部分答案在技巧上无误，其阐述却常显杂乱，条理不明，逻辑性不足，使人难以把握其推理脉络。

对比之下，Gemini Agent的思路更为清晰，然而它的论证过程常常显得过于繁琐、复杂。这种拖沓的写法或许与其「自验证反馈机制」有关，该机制使得模型习惯于对每一个环节进行详尽说明。

而Gemini Deep Think的运作效果更加显著：它给出的论证语言精炼、布局分明、逻辑连贯，能够针对每个环节设定适宜的详略程度，让读者更易把握其思考脉络。

Gemini Deep Think：展现了真正的原创思维

AI模型通常采用蛮力计算，就是通过复杂的代数运算来取代数学上的深刻理解。这种现象在Gemini Agent和Gemini Best-of-32的解题过程中体现得非常突出，尤其是在第9题上。

而Gemini Deep Think的策略更加优雅与创新：

第七题的证明凭借其极度精炼和优雅的特点，明显优于其他方案；第九题它提供了一个比官方答案更简单且富有启发的解决方法；第十题它更是使用了更复杂的数学手段，为某个核心量提供了更严格的界限。然而，它也因为省略了部分逻辑步骤，使得该题仅获得七分（满分是十分）。

官方给出的解释信息位于这个网址，具体内容可以在该页面查阅，文件名是imc2025-day2-solutions.pdf。

高阶数学知识的调动能力

模型处理第5题时的状况值得注意，这道题目要求对某个函数进行不等式证明，虽然题目文字中没有明确指出函数的名称，但这个函数实际上是大家熟知的Landau函数。

非常令人意外，这三种方法都能精确辨认出那个函数，并且运用其固有特性来搭建起完整的论证过程，这说明它们在知识运用上的深度和精确度都相当出色。

网友：o3只要10分钟就能交卷

对于IMC题目的复杂程度，Jasper Dekoninck指出IMC试题里最具挑战性的部分，其难度水平，跟大学学习阶段碰到的最困难的问题差不多。

网友Dmitry Rybin对测试展现出极高兴趣，非常高兴，本来打算把题目交给对方，但对方已经完成了

他还用臭氧检测了IMC2025年所有考题，不到十分钟就完成了十道题目的解答。

但是Jasper Dekoninck指出o3输出的第五个题目答案存在不妥之处，有可能会被扣分。

IMC试题在数学深度和技巧运用上，通常高于IMO题目。但IMO竞赛则更强调思维的新颖性和独特性，特别是在解决具体问题时所采取的策略。

Jasper Dekoninck本人也觉得IMC这类更注重学问的比拼题目好像过于容易了些。

网友Acer对此亦有同感。

他觉得现在IMO、Putnam、Miklós Schweitzer这三个数学竞赛的难度较为适宜，不过模型还是能够处理掉它们里面的大部分题目。

AI数学推理，已无法忽视

虽然IMC或许更侧重数理技能，不过人工智能数学分析本领持续增强，已经非常引人注目。

例如，Dmitry Rybin阐述了一个既复杂又明确的线性代数结论，

当AB减去BA的行列式值等于1时，矩阵A与矩阵B存在相同的特征向量。

Deep Think 运用了Shemesh定理，得出了一个Dmitry Rybin未曾见过的证明方法。

与数学关系密切的信息学竞赛上，AI表现非常夺目。

在玻利维亚第37届国际信息学奥林匹克竞赛（IOI 2025），ryanbAI和人类选手在同等条件下竞技，最终获得第七名，在总排名中位列第七。

随着越来越多的AI在国际性数学竞赛中表现优异，它们能够参与难度更高的数学竞赛，并且能够提出新的证明方法，这些现象都显示出AI在数学推理方面的能力不断增强。

而且人工智能比人类，在运算和处理资料方面表现更优，也不容易产生失误。Jason Lee网友称，发现人工智能的差错极为不便。

参考资料

那个名叫j_dekoninck的账号在推特上发布了内容，具体信息是状态编号为1952335201431937445，这个账号是https://x.com/j_dekoninck/status/1952335201431937445的来源，发布的内容引起了关注，很多人都在讨论这个状态，它包含了重要的信息，值得大家仔细阅读，这个账号的影响力比较大，发布的内容通常都会被很多人看到，这个状态的具体内容大家可以去查看，上面的链接就是直接访问的地址。

https://matharena.ai/imc/