测试集:IMO 2025

名称	IMO 2025
类别	reasoning
主办方	国际数学奥林匹克（第 66 届，2025-07）；AI 评测方为 Google DeepMind 与 OpenAI
开源状态	partial
网址	官方页面

imo-202583.3正式奥数赛制、4.5 小时限时、自然语言证明、官方协调员认证、一次性事件

测试集content/benchmarks/imo-2025.md

一句话

2025 国际奥数赛场，两大 AI 同达金牌线

测什么

国际数学奥林匹克（IMO）是全球最高水平的中学生数学竞赛，两天做 6 道证明题，每题 0–7 分、满分 42，通常只有约 8% 的选手能过金牌线。2025 年 7 月的第 66 届意外成为 AI 的「世纪考场」：Google DeepMind 的 Gemini Deep Think 高级版和 OpenAI 的实验性推理模型先后宣布拿到 35/42——正好压在金牌线上。这是 AI 首次在 IMO 正式规则下达到金牌水平。

怎么测

两边都让模型在与人类选手相同的 4.5 小时时限内，直接读自然语言题面、输出自然语言完整证明，不借助形式化证明工具。Google 的答卷由 IMO 官方协调员按学生答卷同一标准认证；OpenAI 未走官方渠道，而是自行组织前 IMO 奖牌得主评分，其独立性当时引发了争议。

典型任务

第 1 题定义「阳光线」：不平行于 x 轴、y 轴和直线 x+y=0 的直线；要求确定所有非负整数 k，使得存在 n 条直线覆盖所有满足 a+b≤n+1 的格点 (a,b)、且其中恰好 k 条是阳光线。第 6 题「Matilda 铺砖」是全场最难题：在 2025×2025 方格里放矩形瓷砖，使每行每列恰好留出一个空格，求最少要多少块（答案 2112）——MathArena 后来把它改成最终答案题测试，81% 的模型答 4048 并附上一段假证明。Gemini 六题中五题拿了满分。

分数怎么看

35/42 是里程碑：它证明顶级推理系统已能在最严的人类数学赛制下与金牌选手同台。但注意这是一次性事件而非持续榜单——每年题目不同，分数无法跨年比较，2025 年的 35 分和 2026 年的成绩没有可比性。

含金量与局限

OpenAI 的成绩未获 IMO 官方认证，其评分独立性和抢在官方日程前官宣的做法均有争议；两套系统都是未公开的实验版本，外界无法复现；单次六题的结果不应外推为「AI 数学能力全面超越人类」——同年 USAMO 式的人工评阅早就揭示过模型证明里的水分。

冷知识

两家 AI 的分数一模一样：35/42，正好压金牌线，一分都不浪费。而全场最难的第 6 题「Matilda 铺砖」后来被 MathArena 改成数值题复测，81% 的模型给出同一个错误答案 4048 并配上假证明——这道题的绰号干脆就叫「Final Boss」。

数据来源

本页由仓库 content/benchmarks/imo-2025.md 初始化。后续修订通过公开审核队列发布。