新智元報導
編輯：編輯部
【新智元導讀】沉寂許久的DeepSeek又回來了！今天，DeepSeekMath-V2重磅登場，一舉奪下IMO 2025金牌，實力媲美甚至超越了谷歌的IMO金牌模型，開源AI再次扳回一局。
DeepSeek再次歸來！
剛剛，DeepSeek重磅發布DeepSeekMath-V2新模型，一舉奪下IMO 2025金牌。
最關鍵的是，這是首款「開源的IMO金牌模型」。
基於DeepSeek V3.2 Exp Base構建
當前，已官宣拿下金牌的兩大模型，一款來自谷歌Gemini Deep Think，另一款便來自OpenAI的內部模型。
在IMO-ProofBench中，DeepSeekMath-V2展現出強大的定理證明能力：
IMO 2025：破解5題（共6題），達到了金牌水平；
CMO 2024（中國數學奧林匹克）：達到金牌水平；
Putnam 2024：得分118接近滿分（120分），超越人類參賽者最高分（90分）。
不僅如此，在ProofBench-Basic上，DeepSeekMath-V2的實力碾壓谷歌金牌模型——Gemini Deep Think；在ProofBench-Advanced上直追谷歌。
論文中，團隊訓練了一個基於LLM驗證器（Verifier）作為獎勵函數，並以此訓練模型以自主解決問題。
而且，他們還Scaling了驗證器算力，來標註更複雜的證明，進一步優化了驗證器本身。
這種方法非常巧妙，能有效彌合生成與驗證之間的差距。
結果實證「可驗證的數學推理」，是未來一條可行的研究方向。
DeepSeekMath-V2
讓「自驗證」成最強武器
DeepSeekMath-V2的論文也於GitHub同步放出了。
DeepSeek最新發布的DeepSeekMath-V2帶來的核心突破就是：自驗證（Self-Verification）。
這不僅讓它在最難的數學競賽中橫掃人類頂尖選手，更重要的是，它揭示了通往更高級AI的一條必經之路——學會自我反思。
為什麼只看結果是不夠的
在過去，訓練AI做數學題的方法很簡單：給它一道題，如果它算出的答案和標準答案一致，就給它獎勵。
這在簡單的計算題（如AIME競賽）中很有效。
但到了數學皇冠上的明珠——國際數學奧林匹克（IMO）這個級別，這種方法就徹底失效了。
因為IMO的題目往往沒有簡單的數值答案，而是要求你寫出一段邏輯無懈可擊的證明過程。
以前的AI在這裡經常是個「大忽悠」，它能胡編亂造一通看起來很專業的數學黑話，最後強行得出一個結論。雖然它可能蒙對了結果，但過程全是漏洞。
DeepSeekMath-V2決定從根本上改變規則，不僅要獎勵正確的答案，更要獎勵嚴謹的「自我找茬」過程。
秘密武器：左右互搏的三位一體
為了實現這種「自我反思」，DeepSeek設計了一套精妙的「左右互搏」系統，就像在AI的大腦裡住了三個人：
1.「做題家」（Generator，證明生成器）：
負責解題和寫證明。
但與以往不同，它被訓練成不僅要寫答案，還要寫一段「自我評價」。它必須誠實地說：「這步我有點不確定，可能是錯的。」
研究團隊巧妙設計了獎勵，帶來了下列激勵效果：
-
誠實面對錯誤，比「硬說自己是對的」更有利。
-
寫出真正正確的證明，並準確識別其嚴謹程度，可以獲得最高獎勵。
-
對生成器來說，最優策略是：在最終回答前，發現並修正盡可能多的問題。
2.「鐵面判官」（Verifier，證明驗證器）：
這是DeepSeek專門訓練的一個評分模型。它不看答案對不對，而是專門盯著證明過程挑刺。它會像閱卷老師一樣，給證明打分（0分、0.5分、1分），並指出具體的邏輯漏洞。
-
1分：證明完整且嚴謹，所有關鍵推理步驟都有清晰、充分的論證；
-
0.5分：整體思路正確，但在細節上存在輕微錯誤或略去部分論證；
-
0分：存在致命邏輯錯誤或關鍵缺口，導致證明在本質上不成立。
3.「判官的審計員」（Meta-Verifier，元驗證器）：
這是最絕的一步。因為「判官」也可能犯錯，或者為了省事偷懶瞎判。
於是DeepSeek又引入了一個「元驗證」機制，專門檢查「判官」是不是在胡亂挑刺。如果「判官」指出了一個不存在的錯誤，它會被「審計員」打手板。
「元驗證器」來檢查驗證器給出的分析，包括：
1. 驗證器指出的問題是否真實存在於原證明中；
2. 這些問題是否足以合理支撐它給出的得分，且符合原有的評分細則。
用元驗證器來評估驗證器輸出分析的平均質量分數，從0.85提升到了0.96，同時保持了原有的打分準確率。
在這三者的配合下，DeepSeekMath-V2甚至能做到在沒有標準答案的情況下，自己給自己出題、自己做、自己批改、自己重做。
首先，證明驗證器與證明生成器之間形成了良性的「閉環」：
-
驗證器為生成器提供獎勵信號，從而不斷提高生成器的證明能力；
-
隨著生成器水平提升，它會產生越來越「刁鑽」的新證明，這些證明反過來又會暴露出驗證器尚未覆蓋的薄弱點。
尤其是那些「驗證器第一次嘗試沒能抓出問題」的證明樣本，對進一步訓練驗證器來說價值極高。
為了高效獲取新證明的正確性標籤，研究團隊設計了自動化標籤生成流程：
在最後兩輪訓練迭代中，這條全自動標註流水線已經完全替代了人工標註。後續的質量檢查表明，自動生成的標籤與人類專家的判斷高度一致。
巔峰對決：DeepSeek vs Gemini
在這個領域，DeepSeek並不孤單。
谷歌DeepMind的雙子座深思熟慮也是剛達到IMO金牌水平的頂尖選手。
兩者的對比非常有意思：
-
深度思維像是擁有無盡資源的貴族，其實力毋庸置疑，在某些高級基準測試（如IMO-ProofBench Advanced）上依然保持領先。
-
深度搜索則像是半路殺出的天才少年。根據DeepSeek的論文，他們的V2模型在基礎測試集（ProofBench Basic）上已經反超了Gemini Deep Think，並且在公開的競賽題目上展現出了驚人的統治力。
更重要的是，DeepSeek將這一技術路徑開源並詳細披露了訓練方法。
這為全世界的AI研究者提了個醒：通往AGI的路上，自驗證可能比單純堆算力更重要。
直追谷歌OpenAI，開源IMO模型贏了
這一令人驚嘆的成績背後，是DeepSeekMath-V2在實驗中展現出的某種「反直覺」的進化特徵。
「一次做對」的能力：全方位碾壓GPT-5和Gemini
如果剝離掉所有復雜的反复思考和驗證過程，只看模型的「第一直覺」——也就是所謂的一擊能力，DeepSeekMath-V2依然表現出了統治級的實力。
研究團隊構建了一個包含代數、幾何、數論、組合和不等式五大類難題的內部測試集CNML（難度對標中國高中數學聯賽）。
在這個競技場上，DeepSeekMath-V2與目前市面上最強的兩大推理模型——OpenAI的GPT-5-高思維和谷歌DeepMind的雙子座 2.5-Pro進行了正面硬剛。
結果如圖所示：
DeepSeekMath-V2並不是險勝，而是徹底勝利：
-
代數：遠超GPT-5和Gemini；
-
幾何：得分幾乎是Gemini 2.5-Pro的三倍；
-
數論與組合：同樣穩穩佔據第一梯隊。
這說明，即使不給模型「多想一會兒」的機會，它的底座能力已經極其強悍。
進化的關鍵：讓模型「多想幾次」
真正讓DeepSeekMath-V2與眾不同的，是它在連續修正實驗中的表現。
在面對IMO候選題（Shortlist）這種級別的難題時，模型往往無法一次性寫出完美的證明。
實驗顯示，如果允許模型進行「自我驗證」——即生成答案後，自己挑毛病，然後帶著問題重新生成，奇蹟就發生了：
-
初始狀態（迭代1次）：模型的平均得分為0.15。
-
反复思考（迭代8次）：當允許模型最多進行8次「自我修正」後，證明的質量分數飆升到了0.27。
更有趣的是，如果讓模型從自己生成的32個解法中挑一個最好的（Best@32），它的評分準確度極高，得分直接躍升至0.42。
這證實了一個關鍵點：模型不僅能改錯，而且非常有自知之明，它清楚地知道自己哪個答案是最好的。
暴力美學與智慧的結晶：高算力搜索
前文提到的普特南數學競賽118分（接近滿分）的「神蹟」，並非僅靠運氣，而是得益於一種「高算力搜索」（High-Compute Search）策略。
DeepSeek團隊在實驗中採用了一種極端嚴苛的測試方式：
1.海量候選：對每道題初始生成64個候選證明。
2.地獄級驗證：為每一個證明生成64個獨立的驗證分析。
3.優勝劣汰：只有那些能通過所有64次驗證的證明，才會被認為是「完全可信」的。
正是這種「千錘百煉」的策略，讓模型解決了IMO 2025中6道題裡的5道，以及在CMO 2024中拿下金牌水平。
實驗數據還揭示了一個有趣的現象：對於那些它沒做出來的題，模型通常能準確地找出自己證明中的漏洞；而對於做出來的題，則是真真切切地通過了所有考驗。
這是「LLM可以被訓練成可靠的數學驗證者」這一假設的有力實證。
DeepSeekMath-V2意味著什麼
DeepSeekMath-V2的成功告訴我們，AI正在從「模仿人類說話」進化到「模仿人類思考」。
真正的思考，往往伴隨著自我懷疑。
當我們看到AI開始在輸出最終結果前，懂得停下來，對自己說一句「這看起來不太對，我再算一遍」時，那才是它真正超越工具屬性的時刻。
真正的智慧，不僅在於瞬間給出答案，更在於擁有推翻自己的勇氣與能力。
參考資料：
https://github.com/deepseek-ai/DeepSeek-Math-V2
秒追ASI
⭐點贊、轉發、在看一鍵三連⭐
點亮星標，鎖定新智元極速推送！
