DeepSeek终于回来了，再次创造历史(首个IMO金奖级别的开源模型)。

就在刚刚，DeepSeek在HuggingFace开源了全新的数学推理模型DeepSeekMath-V2，685B参数。

你看看这张吓人的成绩单：

普特南数学竞赛Putnam：人类选手的历史最高分是90分，而DeepSeekMath-V2拿了118分，满分是120分。

国际奥数IMO：超越Gemini DeepThink，直接斩获金牌水平 。

最妙的是时间点，昨天咱们刚聊完，AI教父Ilya在访谈中提到，现在的AI就是个只会死记硬背的做题机器。Ilya这场罕见访谈，彻底治好了我的AI焦虑

仅仅不到24小时，DeepSeek就把新模型开源了。

像是一次穿越时空的击掌，DeepSeek好像在说，Ilya你别慌，看我的。

用大白话讲一下新模型的三个关键点。

1、 答案蒙对了也不行。

以前教AI做题，只要最后结果对了，我们就给它发糖吃（奖励）。

但AI很鸡贼，它会为了骗糖吃去猜答案，哪怕中间逻辑是乱编的，只要运气好蒙对了就行 。

DeepSeek在论文里一针见血的提出，正确的答案并不保证正确的推理。

这次他们换了个教法，死磕过程。

结果对了，也必须看解题步骤，过程中只要有一步没整明白，也不给糖吃。

这就逼着AI必须要真懂，不能当混子。

2、使用套娃战术。

给AI的解题步骤打分也很难，必须得有个老师，但老师也是AI，也容易看走眼。

DeepSeek想了个绝招：套娃（Meta-Verification），简单说，就是给判卷老师再配个校长。

AI学生做题，AI老师挑刺儿，AI校长检查老师挑的刺儿合不合理。如果老师瞎扣分，校长直接扣工资。

这一招，直接让评分的靠谱程度从0.85拉到了0.96 。

3、让AI学会三省吾身。

这是最像人类的地方，现在的DeepSeekMath-V2学会了反省。

在做题的时候会像个严谨的数学家一样，写几步之后，停下来自己反思，发现有漏洞就推翻重写，直到自己挑不出毛病为止。

不再只是为了填答案交差，而是真的在进行深思熟虑的推理。

DeepSeek用新模型告诉我们，通往超级智能的捷径，不是一路盲目狂奔。

而是懂得慢下来，懂得回头看。

当AI开始三省吾身。

也许它才真正拥有了智慧。

新模型地址：https://huggingface.co/deepseek-ai/DeepSeek-Math-V2

我觉得DeepSeek里面搞数学推理的团队可能是最有潜力的一张王牌。

为什么？

因为数学推理是所有 AI 推理任务里最苛刻的那一个：

• 没有情绪
• 没有模糊答案
• 没有“差不多就行”
• 每一步都是严格逻辑链
• 一处错误会全盘报废

我们平时问AI的问题大多数都可以接受模棱两可的回答，比如问情感类的，可以说怎么说都不算错；问英文问题，它有很多同义词近义词；但数学不一样。

数学是一个绝对不能“糊弄”的领域，它不像聊天应用可以模糊补全，不像文本理解可以靠语境兜底，更不像多模态展示那样可以靠“看起来不错”就糊弄观众。

数学要求的是：你到底是不是在真正思考？你每一步推理是不是都能自圆其说？

而这一点，恰恰是绝大多数大模型最容易暴露短板的地方。

因为如果训练的AI有问题，就连最简单的比大小，9.11大还是9.9大都会出问题。

绝大多数的大模型碰到数字，依旧当成文字来处理，所以搞出了很多乌龙。

但是只要数学题还是选择题或者只看答案，就依旧存在着蒙对的可能，DeepSeek的这个新模型，最核心的就是这一句：

correct answers don’t guarantee correct reasoning
答案对，但不能保证推导也对

我记得在上初高中的时候，老师会说，碰到不会的题，最起码你得写个解，并且能写几步写几步；特别是碰到填空题，一定不要空着，实在不行就填个0上去，其实蒙对的概率并不小。

为了避免这种情况，DS他们不是只在追求答案正确，而是在追求每一个推理步骤都可以被验证。

因为答案对不对，只能告诉你模型“是否蒙对”。但能不能写出严谨的步骤，才能告诉你模型是不是真的懂。

为了做到这一点，DeepSeekMath-V2 在里面其实是走了一套典型的 verifier–generator dual-model 架构。简单说，就是把模型分成两个角色：

• 一个叫 proof generator（证明生成器），专门负责把证明写出来，把整条思路摊开；
• 一个叫 verifier（验证器），是一个 LLM-based verifier，专门负责挑错打分。

proof generator 的工作，就是像一个学生一样，从头到尾写出完整的数学证明；verifier 拿到这份证明，其实不太关心你最后答案是多少，而是一行一行去看：这里有没有跳步，那里有没有漏条件，有没有只证明一半就当全对了。

更重要的是，这个 proof generator 不是写完就交卷。论文里的做法，是让它在 verifier 的反馈下做 self-verification：

先生成一版 proof draft → 交给 verifier → verifier 按照 verification reward model 的方式指出哪一步不严谨、哪一段有漏洞 → proof generator 再根据这些信号把证明重写一遍，把缺口补上，把有问题的地方删掉，最后再定稿。

换句话说，DeepSeek 在训练里是硬生生给模型养成了一个习惯：不是想到一个看起来还行的证明就完事，而是写完先自查一遍，看看哪里说不通，再修修补补，这就是他们说的 self-verifiable mathematical reasoning。

这样一来，最后答案对不对，只能告诉你有没有蒙对；而整个 reasoning process 能不能经得起 verifier 一轮一轮的检查，才真正区分出模型是装懂还是真的懂。

这里还有一个容易被忽略的难点：verifier 自己也得变强。

如果 proof generator 越来越能写复杂证明，而 verifier 还停留在“入门老师”水平，就会变成：老师根本看不懂学生写的高难度解答，要么乱判，要么只能给一些很模糊的评价。

DeepSeek 的做法，是在训练过程中不断扩大 verification compute：专门收集那些最难判、最容易纠结的 proof，把这些 hard-to-verify proofs 喂给 verifier，用更大的算力、更细的标注去训练它，让验证这一侧也持续升级，维持一个 generation–verification gap，让“老师”始终有能力看穿“学生”的小聪明。

还有一点也很关键，他们不再只是用 final answer reward 来训练，而是让 verifier 直接对整条推理链打分，相当于用 process-level 的奖励信号去约束模型。就像真正的数学阅卷，不是只看最后一行写了个几，而是把整篇证明拆开来看，每一步都要算分。

这等于把我们做题时最朴素的一套经验，完整搬进了训练系统里：答案可以偶尔靠运气蒙对，但过程要想次次写严谨，只能靠真本事。

并且DeepSeek的数学模型，水平跟前段时候刚刚刷榜的Gemini相差无几，甚至在一切设定要比Gemini还好用。

但问题是，Gemini等一众闭源大模型几乎都有一个特别的heavy模式，就是专门用来刷榜的，基本原理就是一次性运行多个推理任务，然后从里面优中选优。

简单点说，就是三个臭皮匠顶个诸葛亮。

而这正是 AI 未来最重要的能力之一：不是能不能变得更能聊、画得更像、音频更逼真，而是能不能参与真正的科学推理、工程系统、安全验证、数学创新。

这些都离不开可验证的逻辑链条。

所以，数学推理团队之所以可能是 DeepSeek 的王牌，并不是因为数学本身有多复杂，而是因为他们在解决 AI 最本质的问题：

如何让一个模型真正“思考”，而不是表面上看起来像是在思考。

如果一个模型在数学上能站稳脚跟，在逻辑链条这种零容错场景下都能保持一致性，那么它在其他推理任务上的表现，往往不会低的。

大概过了一遍论文，整体的思路就是目前非常主流的llm as a verifier方法。这种方法的基本假设是，判断一个数学证明是否正确需要的能力是远小于真做出一个题的，所以只需要不是特别多的人类专家标注，就能训练出一个不错的“判卷模型”，即认为现有llm在判卷上有足够强的泛化能力。然后只需把这个“判卷模型”作为奖励模型，用已经成熟的强化学习方法不断训练改进解题模型即可，直到解题模型达到 imo 金牌水平的解题能力。我估计 openai 和 deepmind 也是通过相同的思路构建等效 imo 金牌解题水平的模型。

这里需要指出的一点是，论文中达成 imo 金牌解题水平需要依赖“扩展测试时计算”，计算量和成本远超现有落地模型产品的级别。我觉得在国内高中数学联赛二试题目上的 1 pass 测试结果（论文中的图1）更有参考价值：

可以看出，在类似于官网使用 Deepseek 等主流大模型的“正常推理成本”的条件下，目前最好的一批模型在高联二试题的正确率也就一半左右，应该离 imo 金牌水平有明显差距 （gemini 3 pro和 gpt-5.1 在写这篇论文的时候估计还没有发布，不过据我亲自的测试和周围人的反馈，差距不会特别大）。不过比较令人惊讶的是，没有多模态能力的 deepseek 模型在经过强化学习后做平面几何题也能有还行的正确率。另外组合题的正确率是最低的，这倒是比较符合直觉，因为组合题确实容易出的非常难的题。。。

不管怎么说，AI 数学确实已经取得了巨大的进步，不过对于未来将AI用于解决真正前沿的数学问题，我还是怀疑 llm as a verifier 的思路是否能走通。毕竟对于那些前沿问题相关的学术论文，看懂证明并判断是否正确也是相当困难的，有时候人类专家审稿就得花几个月甚至几年的时间，意味着相关的数据从底层上还是很难大量获取。这一点还是和围棋AI基于大量规则内自对弈产生数据的强度学习不一样。所以我认为AI math乃至 AI for science可能还有很长的一段路要走。不管怎么说，现在已经发展到需要 AI 解决真正困难问题的时代了。

技术派狂喜，自媒体狂欢。

但我个人觉得小打小闹，对市场影响有限。

个人还是更期待DeepSeek code V3，算时间应该差不多到发布的时候了。

另外code是AI最赚钱的领域，没有之一。

DeepSeek如果发布开源顶流code LLM，可以让Antropic、google、OpenAI市值蒸发不少。

达到自损200，伤敌20000的效果。

这能让自媒体疯狂。