AI首次拿下IMO官方满分金牌，背后藏着一套自我纠错机制

在IMO 2026上，dots-note-3.0提交的六道题均获7分，成为首个经IMO官方评阅取得满分的AI模型。此前谷歌Gemini Deep Think在IMO 2025解出5道题，以35分达到金牌标准。今年全球共有7名人类选手获得满分，包括中国队的邓乐言、刘澈、张柏伦。

满分42分的价值在于六份完整证明经得起逐步检查。证明题不同于计算题，结论正确但推理可能有漏洞，IMO要求提交自然语言证明，专业评阅能暴露长链条推理中的隐藏问题。

dots-note-3.0的解题流程包含Proof、Verify、Refine三个环节：Proof生成候选证明，Verify检查漏洞并给出建议，Refine根据反馈修改并整合方案。完成一轮后可再次进入检查，实现多次修正。

该机制不依赖Lean等形式化系统，直接读取LaTeX题目，以自然语言推理结合Python辅助分析，以Agentic方式端到端解题。团队称之为“递归自我批判”，并视为递归自我改进（RSI）的前提。

在第三题（组合数学博弈与极值证明）中，人类选手常见做法是转换为图论连通性问题，而dots-note-3.0选择归纳法：设计按倍数递减的木段，通过归纳证明无论项羽如何落刀，刘邦失去的总长度受同一上限约束。

这显示模型具备一定自主探索能力，能绕开常见思路找到更简洁的证明路径。但思路巧妙不等于满分，评委检查整份证明，漏掉边界条件或关键推导仍会失分。

IMO属于短程、可验证任务，有明确评阅规则。生活任务则更长更模糊，如装修、旅行、求职等，步骤多、需求变化，没有统一评分标准。

团队构建VibeAgentBench，覆盖旅行、理财、诉讼、装修等10个领域，共200个任务，接入22个模拟服务后端和288个工具接口。任务中位持续29天，最长约111天，通过7453个脚本事件和超1.2万条检查标准评估Agent能力。

这些任务与IMO都考验模型提出方案后根据反馈检查修正的能力。生活场景中模型需审视更广：是否理解用户、哪些偏好值得保留、哪些需求已变化。

过去评价大模型关注首次回答质量，现在随着任务变长变复杂，模型能否在执行中停下来检查、发现偏差并及时修正，成为新的能力分界线。

dots-note-3.0的IMO满分被视为阶段性验证，证明模型能在边界清晰、结果可验证的任务中完成检查纠错闭环。下一场考试没有固定考期，也没有标准答案。