英伟达让三个 Nemotron 3 Ultra 版本同时解答 2026 年国际数学奥林匹克竞赛的六道题，再用模型组成的评审组筛选答案，最终获得 30 分。官方金牌线是 29 分：第 1、2、4、5 题各得 7 分，第 3、6 题各得 1 分。
论文把这 30 分背后的账摊开。六份提交证明出现时，系统累计生成约 7.07 亿 Token、消耗 1464.4 个 GB200 GPU 小时；把已经启动的轮次跑完，并让第 3、6 题持续搜索到 4.5 小时比赛时限，整场运行达到 23.1 亿 Token 和 4784.6 个 GPU 小时。开放的是一条可检查的金牌流水线，不是一张拿来即用的低成本成绩单。
金牌不是第一次，公开系统账本才是变化
2025 年，Google DeepMind 的 Gemini Deep Think 已在自然语言中完成五道 IMO 题，获官方阅卷 35 分，并在 4.5 小时内达到金牌标准。英伟达论文也明确把 Gemini 与 OpenAI 当年的实验模型列为前序工作。因此，Nemotron 3 Ultra 的 30 分不能被写成 AI 首次拿到自然语言 IMO 金牌。
这次新增的信息是可审计程度。英伟达公开了两个数学后训练 checkpoint、训练数据、训练与推理代码、六道参赛提交、后续继续搜索得到的答案，以及一个新的 200 题奥数基准。论文同时报告每道题在何时找到提交证明、搜索继续运行到何时，以及两种口径各自用了多少 Token 和 GPU 时间。外界因而可以把“模型会做奥数”拆成训练、生成、校验、改写和终选五个环节，而不只看到最后的总分。
三个模型版本分担生成、校验和改写
系统从同一个 550B 总参数、每次激活约 55B 参数的 Nemotron 3 Ultra 出发，使用通用版 GA、监督微调版 SFT 和强化学习版 RL 三个 checkpoint。它们不是简单投票，而是在搜索中承担交叉角色。
第一轮中，每个 checkpoint 面对八种提示模板，各生成 16 份证明，共得到 384 次尝试。模板分别要求先拆引理、比较多条路线或主动找反例，以减少所有样本沿同一路径失败。随后，RL 与 SFT 各对每份候选证明独立判断八次；只有 16 次判断全部给出“完整且正确”，系统才停止该题搜索。
没有通过的题会进入下一轮。系统从所有历史候选中选出最多 16 份，连同最多八条批评意见交给三个 checkpoint 改写，每个版本为每份候选生成四个结果，即每轮最多新增 192 次尝试，最多运行八轮。终选阶段再换一套按 IMO 0 到 7 分打分的提示，让三个 checkpoint 各评 16 次，用 48 个评分的均值选出提交稿。
这种设计的关键不是“多采样总会撞到答案”。在 30 题开发集上，把 RL 第一轮尝试从每题 128 次翻倍到 256 次，只多通过一题；把 SFT 的不同解题分布加入同等量级的搜索，增加了更多独有通过题。论文据此把收益归因于不同后训练版本的互补性，而不只是同一模型重复抽样。
7.07 亿 Token 只是找到提交稿的口径
论文为每道题同时记录“提交证明出现时”和“本题停止计算时”的资源。前一口径相加是约 7.07 亿 Token、1464.4 个 GB200 GPU 小时；后一口径是 23.1 亿 Token、4784.6 个 GPU 小时。两者相差超过三倍，主要因为三个题目并行搜索，某个候选出现后还要完成整套校验，而且第 3、6 题一直跑到比赛截止时间。
成本也高度集中在难题。第 1 题提交证明只需约 557 万 Token，第 6 题则需约 3.12 亿；第 3、6 题消耗了大量搜索，最后仍各得 1 分。比赛后把第 6 题继续跑到 8 小时 25 分，系统又用约 6.1 亿 Token 和 890 个 GPU 小时找到一份更好答案，独立人类评审给出 4 分，但这不是官方成绩。
这些数字还不包含后训练成本。SFT 阶段用 512 张 GB200 处理 41.489 万条筛选后的证明、改写与校验轨迹；RL 配方同时使用 128 个训练节点、128 个推理节点和 16 个评审节点，每个节点四张 GB200。论文披露了集群形状和训练方法，却没有给出两个后训练阶段的总 GPU 小时。因此，1464.4 个 GPU 小时只能解释六份提交证明何时出现，不能当作复现整个系统的总价。
全票通过的证明仍可能是错的
这条流水线把验证器放在核心位置，也留下了最清楚的失败证据。研究团队从开发集搜索中抽取 300 份证明，让 GPT-5.5、Gemini 3.1 Pro 和 Claude Opus 4.8 组成独立评审组，再检查内部验证器的取舍。
在这份刻意富集难例的审计集上，RL 与 SFT 共 16 票全票通过时，作者报告的误接纳率为 1.1%，误拒绝率为 81.3%；两者不能外推为完整候选池中的发生率。高误拒意味着系统宁可让正确候选继续搜索，也尽量避免错误证明提前结束搜索；这是一种适合高成本竞赛的保守取舍，不是通用准确率。
即使如此，25 份被内部系统接纳的证明中，一份被独立评审扣到 6 分，另一份因错误使用列置换对称性而得到 0 分。三个 checkpoint 对这两份证明都给出了八次满分判断，增加同类模型票数无法识别共同盲点。正式比赛由人类阅卷兜底，公开流水线本身没有提供形式证明器那种逐步机器核验。
权重能下载，复现仍需要一座小集群
开放工件覆盖了主要链路：SFT 与 RL checkpoint 使用 OpenMDW 1.1 条款，训练数据和 200 题 Nemotron-IMO-Bench 使用 CC BY 4.0；GitHub 仓库提供推理配置、提示模板、参赛证明和重建 30 题开发集的脚本。基准按代数、组合、几何和数论各 50 题整理，并附参考证明。作者称这些题为新写题目，因此不在所评模型的训练数据中，但这一污染声明尚未经过第三方独立审计。
下载也不等于轻量复现。模型卡给出的单节点部署建议是 8 张 B200；正式系统需要三个 checkpoint、并行生成、16 票搜索校验和 48 票终选。第三方可以先复查代码、提交答案和数据许可，也可以缩小采样规模验证模型之间是否确有互补性；要重放论文中的比赛搜索，则要承担同等级别的模型存储、推理服务和数十亿 Token 成本。
这正是这次公开最有价值的地方：它没有把 IMO 金牌包装成一个模型单次作答的能力，而是把成绩还原为模型版本、验证规则和算力预算共同完成的工程结果。下一步真正值得比较的，也不再只是“谁又得了多少分”，而是谁能在公开资源账本后，用更少计算保住同样的证明质量，并让校验器识别多个 checkpoint 共享的错误。
