這項由麻省理工學院（MIT）聯(lián)合科威特阿卜杜拉國王科技大學（KAUST）、HUMAIN公司等機構共同開展的研究，發(fā)表于2026年的國際學習表征大會（ICLR 2026）。有興趣深入了解的讀者可以通過論文編號arXiv:2604.18584查詢完整論文。

**一、當AI遇到數(shù)學奧林匹克，會發(fā)生什么**

每年夏天，世界各地最聰明的中學生齊聚一堂，參加國際數(shù)學奧林匹克競賽（IMO）。那些讓頂尖選手抓耳撓腮的難題，如今成了衡量人工智能推理能力的新戰(zhàn)場。過去幾年，各大科技公司紛紛宣布自家AI在數(shù)學競賽中取得了金牌級別的表現(xiàn)，一時間，"AI已經超越人類數(shù)學家"的說法甚囂塵上。

然而，麻省理工學院的研究團隊有點兒不以為然。他們發(fā)現(xiàn)，現(xiàn)有的測試題庫存在一個根本性的缺陷：數(shù)量太少、來源單一、語言單調。大多數(shù)題庫只收錄了美國和中國的競賽題，題目數(shù)量往往只有幾百道，而且?guī)缀跚逡簧怯⑽?。就好像你用一道菜來評價一位廚師的水平，實在難以服眾。

于是，這支研究團隊花了大量時間，從全球47個國家收集官方數(shù)學競賽資料，整理出超過3萬道奧林匹克級別的數(shù)學題，并配上專家撰寫的詳細解答，打造出一個名為MATHNET的超級數(shù)學題庫。這個數(shù)據(jù)集橫跨17種語言、143場競賽、長達40年的時間跨度，是迄今為止規(guī)模最大、質量最高的奧林匹克數(shù)學數(shù)據(jù)集。

更有意思的是，研究團隊不滿足于只測試AI"解題"的能力，他們還追問了一個更深刻的問題：AI能不能像真正的數(shù)學家一樣，認出"這道題我在哪兒見過，跟那道題本質上是一回事"？這種識別數(shù)學等價性的能力，研究團隊稱之為"數(shù)學感知檢索"，而實驗結果頗為出乎意料。

**二、三萬道難題是怎么煉成的**

收集3萬道題聽起來很簡單，實際上是一項浩大的工程。整個數(shù)據(jù)來源于47個國家自1985年至2025年間官方出版的競賽題冊，共涉及1595份PDF文件、超過25000頁內容。與其他數(shù)學數(shù)據(jù)集常見的做法不同，MATHNET的題目完全來自各國數(shù)學競賽委員會正式發(fā)布的資料，而非從數(shù)學愛好者論壇（如AoPS）上抓取的討論帖。這個區(qū)別很重要——官方資料的質量和準確性有保證，而論壇內容難免參差不齊。

然而，把這些資料變成可以供AI使用的結構化數(shù)據(jù)，遠比聽起來要復雜得多。各國的題冊格式千差萬別，有的是數(shù)字排版文件，有的是掃描件，有的甚至同一份文件里夾雜多種語言。有的題冊把題目和解答放在不同章節(jié)，有的卻交織在一起。編號規(guī)則也是五花八門，就算是同一份文件內部也可能前后不一致。

研究團隊為此設計了一套三階段的智能處理流水線。第一階段，他們使用一個叫做dots-ocr的多語言文檔解析工具，把所有題冊轉換成統(tǒng)一的Markdown格式文本，這就相當于把各種方言統(tǒng)一成普通話，方便后續(xù)處理。第二階段，他們借助谷歌的Gemini-2.5-Flash模型來識別每一頁中題目和解答各自對應的行號區(qū)間，然后再用GPT-4.1把這些內容提取出來，整理成標準的LaTeX數(shù)學格式。第三階段則是最關鍵的質量把關環(huán)節(jié)，采用三道防線：首先用規(guī)則化程序檢查提取內容與原始OCR文本的相似度，確保AI沒有憑空添加或修改內容；然后再讓GPT-4.1把原始頁面截圖與提取的題目解答進行比對，充當"質檢員"；最后由人工審核員逐一檢查置信度較低的條目，只有三關全部通過的題目才會被收入數(shù)據(jù)集。

最終整理出的30676道題目涵蓋代數(shù)、幾何、數(shù)論、離散數(shù)學等多個領域，每道題都配有完整的專家級解答，平均解答長度（約184詞）遠超其他同類數(shù)據(jù)集，顯示出內容的深度與詳盡程度。在語言分布上，74%的題目為英文，其余26%覆蓋葡萄牙語、法語、西班牙語、意大利語、塞爾維亞語、斯洛文尼亞語、德語、中文、羅馬尼亞語、韓語、荷蘭語、俄語、蒙古語、馬其頓語、波蘭語和匈牙利語，真正做到了"全球視野"。

**三、給AI出三種類型的考題**

有了這個龐大的題庫，研究團隊設計了三類不同的考試來全面評估AI的數(shù)學能力，就像一次綜合素質測評，而不僅僅是考某一門功課。

第一類考試是"直接解題"，對應數(shù)據(jù)集MathNet-Solve。這部分共6400道測試題，AI需要直接給出解答，然后由評分模型GPT-5對照參考答案和解題過程打0到7分，6分及以上算作正確。這類似于傳統(tǒng)考試：給你一道題，你來解答，對了滿分，錯了零分。

第二類考試是"找到等價題"，對應數(shù)據(jù)集MathNet-Retrieve。研究團隊從10000道題中，為每道題生成了1個"數(shù)學等價變體"（例如把變量名從x換成a，或者換一種代數(shù)表達方式，本質上是同一道題）和3個"迷惑選項"（看起來很像，但實際上數(shù)學本質不同的題目）。AI的任務是：給你一道原題，在一大堆候選題中，找出那道本質上一樣的題。評分標準是Recall@k，通俗地說就是"你在前k個答案里有沒有找對"。

第三類考試是"借助提示來解題"，對應數(shù)據(jù)集MathNet-RAG。研究團隊精心挑選了35對真實的奧林匹克題目，每對都由數(shù)學專家認定為"有相似結構"的配對題。考試時，AI不僅會看到待解的題目，還會額外看到一道相關的題目及其完整解答，就像開卷考試時旁邊放了一道參考例題。研究者想知道，有了這個"提示"，AI能不能舉一反三，做得更好？

這三類考試的組合非常聰明，因為它們測試的是數(shù)學能力的不同層面：單純計算能力、結構識別能力，以及知識遷移能力。真正厲害的數(shù)學家，三樣都得拿手。

**四、誰是最強AI數(shù)學選手——解題大賽成績揭曉**

解題能力的測試結果呈現(xiàn)出非常清晰的層次分化，就像一場運動會上，頂尖運動員和普通參賽者之間差距懸殊。

最強的選手是谷歌的gemini-3.1-pro，整體正確率達到78.4%，緊隨其后的是gemini-3-flash-preview（70.4%）和OpenAI的gpt-5（69.3%）。這些頂尖模型在代數(shù)領域表現(xiàn)最為出色，正確率高達80%以上；而幾何和離散數(shù)學則是所有模型共同的軟肋，即便是最強的gpt-5，幾何題正確率也只有61.1%，離散數(shù)學也只有65.3%。

中等水平的模型群包括claude-opus-4.6、gpt-5-nano、gemini-2.5-flash等，整體正確率集中在38%到46%之間，算是"考上了本科線"。而更弱的模型，比如grok-3（28.5%）、gpt-4.1（21.4%）、gpt-4o（6.8%）甚至Ministral-3B（4.4%），表現(xiàn)就差強人意了。

最能說明問題的對比是：最強模型gemini-3.1-pro比最弱模型Ministral-3B高出整整72.7個百分點，這種差距幾乎相當于大學學霸和小學生之間的差距。

有一個細節(jié)頗為有趣：支持圖片輸入的模型在有圖題目上的表現(xiàn)普遍好于純文字輸入，但并非所有模型都如此——gpt-5-nano在含圖題目上的成績（30.9%）反而比純文字題（45.1%）低了一大截，說明不同模型處理視覺數(shù)學符號的能力差異相當顯著。

語言方面，中文題目是最大的挑戰(zhàn)，即便是最強的gemini-3.1-pro，中文題正確率也只有64.2%，而意大利語和葡萄牙語題目的正確率卻高達96.6%和91.8%。這種語言間的巨大差異揭示了一個現(xiàn)實：AI的數(shù)學能力在一定程度上依賴于訓練數(shù)據(jù)的語言分布，中文數(shù)學競賽資源在訓練集中可能相對稀少。

**五、AI認得出"換了馬甲的同一道題"嗎——檢索大賽成績讓人大跌眼鏡**

如果說解題能力的測試結果還算尚可接受，那么"數(shù)學等價檢索"的測試結果就真的讓人大吃一驚了。

面對10000道測試題，研究團隊讓各種嵌入模型（一種專門用來比較文本相似度的AI工具）去找出每道題的"等價變體"。這就好比：你手上有一道題，說"證明x?+y?=1的解的集合等價于單位圓上的點的集合"，然后AI需要從一堆題目里找出那道本質上完全一樣、只是換了個寫法的題目，而不是被那些看起來很像但其實根本不同的迷惑題給騙到。

結果呢？即便是表現(xiàn)最好的模型gemini-embedding-001和qwen3-embedding-4B，在"只看第一個答案對不對"（即Recall@1）這個指標上，成績只有大約5%。換句話說，讓AI在100次嘗試里，只有5次能把第一選擇就選對。這個成績，用考試比喻來說，就是一道100分的題只得了5分。

把范圍擴大到前5個答案里（Recall@5），最強模型的成績提升到約68.9%，前10個答案里能達到83.8%。這說明模型在大范圍內確實"意識到"這兩道題有點關聯(lián)，但就是無法把真正等價的題排在最前面。

更令人困惑的是，研究團隊在分析余弦相似度分布時發(fā)現(xiàn)了一個反常現(xiàn)象：非等價題的相似度得分，往往比真正等價的題還要高。這就好比，你在圖書館找"《百年孤獨》的另一個譯本"，AI卻把旁邊那本書名里也有"孤獨"兩個字的《孤獨是一個人的狂歡》排在了第一位，而真正的另一個譯本卻被排在了第20位。

原因在于，現(xiàn)有的嵌入模型擅長捕捉表面的文字相似性——兩道題如果都用了"triangle（三角形）"或"polynomial（多項式）"這些關鍵詞，模型就會覺得它們很相似。但它無法真正理解：x?+y?=1和|u|?=1在數(shù)學上是完全等價的，哪怕這兩個表達式用的符號一個都不重疊。

這個發(fā)現(xiàn)意義深遠：它說明現(xiàn)有AI系統(tǒng)在"數(shù)學感知"層面存在根本性的缺陷，它們學到的是表面文字模式，而不是深層數(shù)學結構。

**六、給AI一個"參考例題"，它能舉一反三嗎**

第三類考試的結果揭示了一個令人深思的規(guī)律：好的提示如同定海神針，差的提示反而添亂。

在這35道題的人工評分測試中，研究團隊對7個頂尖模型進行了三種條件下的比較：完全不給提示（零樣本）、給一道由AI自動檢索到的"相關題"作為參考（嵌入檢索RAG）、給一道由數(shù)學專家手工配對的"真正相關題"作為參考（專家RAG）。

最令人印象深刻的是DeepSeek-V3.2-Speciale：在零樣本條件下，人工評分正確率為84.8%；給了專家配對的參考題后，正確率飆升到97.3%，提升了約12個百分點。gpt-5也有類似的表現(xiàn)，從零樣本的76.8%提升到專家RAG條件下的86.6%。

然而，事情并非對所有模型都這么順利。以Gemini-3-Pro為例，它在零樣本條件下的人工評分已經高達89.1%，給了專家參考題后反而稍稍下降到87.5%——也許是因為這個模型本來已經夠強了，額外的參考反而造成了輕微的"信息干擾"。對于oLMO-3-Think而言，提供AI檢索到的參考題（54.6%）雖然比不給提示（45.2%）有所提升，但遠不如專家配對的提示效果那么穩(wěn)定。

用AI自動檢索到的參考題，效果則更加不穩(wěn)定。Grok-4.1-Fast在獲得AI檢索參考時，LLM打分從73.1%降至67.7%，反而不如什么都不給。這是因為AI檢索到的"相關題"有時候其實是"近似而不等價"的題目，看起來很像，但解題思路根本不同，這種錯誤的參考反而會把模型引向歧途。

這個發(fā)現(xiàn)背后有一個非常重要的啟示：對AI來說，檢索質量決定一切。給它一道真正在數(shù)學結構上等價或相似的參考題，它能大幅提升；給它一道表面相似但本質不同的題，它可能反而變差。而當前的嵌入檢索系統(tǒng)，恰恰還不能可靠地區(qū)分這兩種情況。

**七、數(shù)學相似性的"三層樓"：AI需要理解什么樣的相似**

為了更精準地描述數(shù)學相似性，研究團隊提出了一套三級分類體系，這對于理解為什么檢索這么難特別有幫助。

最嚴格的一級叫"不變性"，指兩道題在數(shù)學上完全等價，只是換了種表達方式。比如，"找滿足f(x?-y?)=(x-y)(f(x)+f(y))的所有函數(shù)"和"找滿足(g(a)+g(b))(a-b)=g(a?-b?)的所有函數(shù)"，這兩道題其實是同一道題，只是變量名字和寫法不同。又比如"找所有滿足4^x+6^x=9^x的實數(shù)x"和"找所有滿足(2/3)^x+(3/2)^x=5/2的實數(shù)x"，這兩道題經過變量替換后是完全等價的。AI要識別這種等價性，需要真正理解代數(shù)變換，而不只是對比文字。

第二級叫"共鳴"，指兩道題雖然不完全相同，但可以用相同的核心思路或數(shù)學工具來解答。比如，"證明對所有n≥k，k整除C(n,k)"和"證明n=Σn_i·p^i時，C(n,m)≡Π C(n_i,m_i) (mod p)"，這兩道題一個是特例，一個是推廣，解題思路本質上一脈相承，研究團隊將這類關系稱為"概括"。又比如兩道題都需要用到同一個引理，或者一道題可以被化歸為另一道更簡單的題。

第三級叫"親緣性"，指兩道題屬于同一個數(shù)學領域或主題，但未必有共同的解法。比如"證明C(2n,n)的最大質因子大于n^(2/3)"和"對任意n>1，存在素數(shù)p使得n

當前的嵌入模型往往只能做到第三級"親緣性"的識別，對第一級"不變性"的識別能力則極為有限。而MathNet-RAG中的專家配對題目，大多屬于第二級"共鳴"關系，恰好是最適合用來輔助解題、也是當前AI最難自動識別的層次。

**八、這項研究揭示了AI數(shù)學能力的真實邊界**

歸根結底，MATHNET這項研究做了一件很重要的事：它用一面更公平、更多元的鏡子，照出了當前AI數(shù)學能力的真實輪廓。

鏡子里的圖像，既有令人振奮的亮點，也有不得不正視的缺陷。前沿推理模型在直接解題方面確實令人印象深刻，78.4%的整體正確率放在人類競賽選手里也屬于相當強的水平，但這個數(shù)字是在6400道題上的統(tǒng)計平均，并非在超高難度的題目上。對于數(shù)據(jù)集中專門設置的500道"難題"子集，模型的表現(xiàn)會更加吃力。

真正暴露短板的是檢索能力。即便是最強的嵌入模型，在找"換了馬甲的同一道題"這件事上，表現(xiàn)只有不到5%的精準率。這背后折射出一個深層問題：現(xiàn)有AI系統(tǒng)學到的是統(tǒng)計意義上的文字模式，而非真正意義上的數(shù)學結構理解。代數(shù)等價、幾何等價、跨符號體系的等價——這些對人類數(shù)學家來說習以為常的思維操作，對AI來說依然是巨大的挑戰(zhàn)。

研究團隊還強調，RAG（檢索增強生成）這種方法的成效高度依賴檢索質量。當檢索到真正有結構共鳴的參考題時，AI解題能力可以提升多達12個百分點；但當檢索到貌似相關實則誤導的參考題時，AI反而可能做得更差。這意味著，在數(shù)學領域部署AI輔助工具時，檢索模塊的數(shù)學感知能力是個繞不過去的關鍵瓶頸。

這項研究公開發(fā)布了全部數(shù)據(jù)集和評測代碼，供學術界使用，地址為mathnet.mit.edu。如果你對AI數(shù)學推理、檢索系統(tǒng)或者多語言基準測試感興趣，論文編號arXiv:2604.18584提供了完整的技術細節(jié)，值得一讀。

說到底，AI在數(shù)學競賽上的故事還遠未寫完。解題和"懂得數(shù)學"之間，還有一段不短的距離。MATHNET的意義，或許正在于它清晰地標記出了這段距離的起點和方向。

**Q&A**

Q1：MATHNET數(shù)據(jù)集包含哪些類型的數(shù)學競賽題目？

A：MATHNET數(shù)據(jù)集收錄了來自全球47個國家、橫跨1985年至2025年的奧林匹克級別數(shù)學題，涵蓋國家級數(shù)學奧林匹克、國際數(shù)學奧林匹克（IMO）、亞太數(shù)學奧林匹克（APMO）、歐洲女子數(shù)學奧林匹克（EGMO）等143場競賽，共30676道題目，覆蓋代數(shù)、幾何、數(shù)論、離散數(shù)學等領域，配有專家撰寫的完整解答。

Q2：為什么現(xiàn)有AI模型在數(shù)學等價檢索上表現(xiàn)這么差？

A：現(xiàn)有嵌入模型（用于比較文本相似度的AI工具）主要學習的是文字層面的模式匹配，擅長找到用了相同關鍵詞的題目，但無法理解代數(shù)等價變換、符號替換或跨表達方式的數(shù)學結構等價性。比如x?+y?=1和|u|?=1在數(shù)學上完全等價，但文字上毫無重疊，現(xiàn)有模型無法識別。因此即便是最強模型，精準匹配率也只有約5%。

Q3：檢索增強生成（RAG）在數(shù)學解題中有什么實際作用？

A：RAG的思路是給AI提供一道結構相關的參考題及其解答，讓AI借鑒解題思路來解答新題。當參考題由數(shù)學專家手工配對時，效果顯著，比如DeepSeek-V3.2-Speciale的正確率從84.8%提升到97.3%。但如果參考題是由AI自動檢索得到的近似題目，效果則不穩(wěn)定，有時反而會因為提供了錯誤的參考方向而導致成績下降。