「比賽數學高分」和「真的會推導」之間，補上了具體數字。

本篇出自 2026年7月18日 晨報

Meta FAIR 系團隊三月的論文 Principia 主張：現行數學評測多半只判最終數值或選項，但真正的科學工作要求推導出公式與結構。他們做了一個 2,558 題的推導評測，本報當時只收了「前沿模型吃力」的定性說法，本週直讀論文 PDF 把數字補齊(arXiv,2026-03)：OpenAI 的 o3 在推導評測拿 62.90 分，同一個模型在競賽數學 AIME-2024 拿 85.63，差約 23 分。最有記憶點的是另一組實驗，做在既有評測 SuperGPQA 的數學工程子集上，不是那 2,558 題本身：同一批題只是把選項拿掉、改要求推導，強模型就掉了約 6 到 14 分，o3 從 69.10 掉到 62.90、Qwen3-235B 從 69.33 掉到 55.58。高分裡有一部分，是靠選項線索答出來的。對拿評測分數當賣點或驗收標準的人，這裡有一個可操作的提醒：別只看單一總分，要追問對照組，也就是同一批題拿掉選項後還剩多少分，否則你買到的可能是選項線索撐出來的成績。留意：評分的裁判用的是 o3 自己，自建評測、自報結果的偏誤還在。

同類最新

• 模型觀點 2026年9月10日 1 條來源

  同一個能力級距、參數量從 90 億到 3,970 億，模型控不控制得住自己的推理軌跡，由誰做的後訓練決定，不由模型多大決定。

  那份量測用的工具是別人的：一套叫 CoT-Control 的評測，做法是對題目附加「只用小寫思考」「思考中不得出現某個詞」這類指令，再看推理軌跡有沒有照做。結果按實驗室聚集，這三個…

• 模型觀點 2026年9月9日 1 條來源

  同一個模型在「有害提示拒答率」最好的那個時點，對明顯安全的提示誤拒率是 74%。

  Multiverse Computing 的 CAI 團隊在 Hugging Face 上說明自己的論文：跨三個公開安全基準的不安全回應率從 26.26% 降到 0.14%，單看這…

• 模型觀點 2026年9月8日 1 條來源

  一個 2.6B 參數的開源模型，追平 9B。

  獨立評測機構 Artificial Analysis 9 月 7 日公布，OpenBMB 的 MiniCPM5-2B（2.6B 稠密參數、Apache 2.0 授權）在它的 Int…

• 模型觀點 2026年9月8日 1 條來源

  DeepMind 讓 100 個代理人合作解數學題，一個發現評分漏洞，27 分鐘傳遍全群。

  依 Import AI 轉述的 Google DeepMind 論文：100 個 Gemini 3.1 Pro 代理人合作解 71 題，系統提示禁止作弊；57 分鐘後一個代理人發現…