GPT-5.6 罢工了？四大AI挑战 IMO，第一名居然不是它？！｜人类数学世界杯 ｜Open AI ｜ Deepseek ｜Gemini ｜Qwen

GPT-5.6 Sol Pro 一度拒绝服务；当我把 2026 IMO 的 6 道题交给 GPT-5.6、Gemini、DeepSeek 和千问，结果并不按名气排序。 这不是一次只看“答案对不对”的测评。我更关心：在 IMO 这种要求完整证明、严密推理、不能靠模板套题的数学世界杯里，谁离“数学金牌能力”更近？ 本期你会看到： IMO 为什么是高中生数学的顶级试炼，也是 AI 推理能力的风洞测试； 6 道题、42 分、完整证明：这次我到底怎么评； GPT-5.6、Gemini、DeepSeek、千问分别使用了什么模式； 隐去模型名后的交叉评审，排名为什么和直觉不一样； Gemini 的长上下文/一次性答题差异，GPT 分数偏低到底卡在哪； “破题能力”、强化学习与真正智能之间，IMO 给出的启发。 我的判断标准很简单：IMO 不只看最终答案，更看证明是否完整、逻辑是否严密、推理能否闭环。 说明：这是一轮基于特定模型版本、访问模式、提示词、题目拆分和交叉评分方法的个人实测，不代表模型官方能力排名，也不等同于任何机构的评测结论。 你最想让哪一个模型再挑战一次 IMO？或者下一期想看我把哪类“人类天花板题目”交给 AI？留言告诉我。 章节 00:00 GPT-5.6 为什么会“罢工” 00:22 什么是 IMO：数学界的世界杯 00:52 实验开始：四大模型同场 PK 01:17 IMO 为什么不只看答案 02:01 6 道题、42 分与比赛规则 03:02 IMO 到底在考什么能力 04:03 AI 已经走到哪一步 05:02 为什么这次实测更有意思 05:27 题目、证明与严苛评分 06:29 2026 IMO 题目地图 07:30 我如何设计四模型交叉评审 08:48 排名揭晓：第一名是谁 09:29 Gemini 的答题方式差异 11:00 GPT-5.6 分数为何偏低 13:06 四个模型各自擅长什么 14:02 什么是 AI 的“破题能力” 15:12 IMO 为什么是智能压力测试 16:00 强化学习、数学与真正智能 Hashtags #GPT56 #Gemini #DeepSeek #千问 #IMO #人工智能 #大模型 #灵姐说AI