繼續(xù)領跑！Gemini 3 本周一發(fā)布，便開啟了橫掃各大基準測試之旅，頻繁登上各種排行榜的榜首。
Gemini 3 不僅跑分領先，面對網(wǎng)友的各種刁鉆實測也毫不拉胯。用現(xiàn)實證明了自己就是目前最強模型！這不，就在昨天，知名研究機構 Epoch AI 再添一力證 ——
Gemini 3 Pro 在 FrontierMath 基準測試中創(chuàng)下新紀錄：Tier 1-3 準確率達 38%，Tier 4 達 19%。
在綜合多項基準測試的 Epoch 能力指數(shù)（ECI）中，Gemini 3 Pro 獲得 154 分，超越了 GPT-5.1 此前保持的 151 分的最高紀錄。
FrontierMath 是由 Epoch AI 聯(lián)合眾多職業(yè)數(shù)學家打造的一個高級數(shù)學基準。它由數(shù)百道原創(chuàng)、從未公開的難題構成，被設計成一塊專門測量 AI 高階數(shù)學推理能力的「試金石」。這些題目幾乎覆蓋現(xiàn)代數(shù)學的主要分支：從需要大量計算的數(shù)論、實分析，到高度抽象的代數(shù)幾何、范疇論。普通一道題就足以讓相關領域的研究者思考數(shù)小時甚至數(shù)天。
這些題目大概長這樣，大家可以感受一下。
完整數(shù)據(jù)集包含 350 道題：其中 300 題構成 Tiers 1–3，難度大致對應從高年級本科到初級研究生水平。另外 50 題被歸入極端困難的 Tier 4，接近乃至達到數(shù)學的前沿研究問題。
為便于社區(qū)實驗，F(xiàn)rontierMath 只開放了少量公開子集，其余題目則嚴格保密，用于評測。
在評測時，模型必須為每道題提交一個 Python 函數(shù) answer ()，返回整數(shù)（通常）或 SymPy 等 Python 對象，由系統(tǒng)自動運行與校驗。
這一設計既允許模型調用代碼深度推理，又用程序化判分確保結果客觀可重復，使 FrontierMath 成為當前衡量 AI 數(shù)學前沿能力最嚴苛、也最具說服力的基準之一。
截至目前，F(xiàn)rontierMath 排行榜上的領先模型，都是由 Gemini 和 GPT 系列占據(jù)。
從「跑分最強」到「實戰(zhàn)破題」
雖說 Gemini 3 確實很強，但只是一味的霸榜基準測試，還是差點意思。至少，缺少點說服力。還好，Gemini 3 很快就在實戰(zhàn)中證明了自己。
就在昨天，數(shù)學大神陶哲軒發(fā)帖表示，他用 Gemini Deepthink 模式十分鐘，便解決了埃爾德什問題#367 的關鍵證明！
為了更清楚地說明這個過程，我們先來簡單了解一下埃爾德什問題#367。
簡單說就是把每個整數(shù)拆成積木，凡是只出現(xiàn) 1 次的積木丟掉，只留下能成對出現(xiàn)、能拼成平方的那一部分，叫 B?(n)。比如 12=2×2×3，只留 2×2，所以 B?(12)=4。
現(xiàn)在看一小段連續(xù)整數(shù) n,n+1,…,n+k-1，對每個數(shù)算出 B?，再把這些 B?全部相乘。埃爾德什問題#367 的問題是：不管這段連續(xù)整數(shù)多長，這個乘積是不是都不會比 n2 增長得更快？
也就是說：整數(shù)里「平方因子扎堆」的程度，天花板究竟在哪里？
為了更方便理解，我用最近最火的 Nano Banana Pro 畫了張信息圖。大家看看怎么樣？
言歸正傳。關于這個問題，陶哲軒在帖子中給出了一條時間線。11 月 20 號，Wouter van Doorn 用 AI 提出了該問題第二部分的反證，他的論證基于一個還未被證明的同余恒等式。幾個小時后，陶哲軒將這個不等式交給了 Gemini Deepthink。
只用了大概十分鐘，Gemini Deepthink 便解決了這個證明。太夸張了！陶哲軒還附上了整個的論證過程。
論證地址： https://gemini.google.com/share/81a65aecfd70
看來這種問題對于 Gemini 3 還真算不上什么。隨后，陶哲軒手動把證明轉化為了一個更加基礎的版本，花費了他半個小時的時間。兩天后，Boris Alexeev 最終完成了這個證明的 Lean 形式化，耗時 2、3 個小時。
陶哲軒用 Gemini 3 來研究埃爾德什難題，厲害之處不只是「AI 超會算」。更重要的是：世界頂級數(shù)學家，真的把大模型當成工作伙伴了。
以后做數(shù)學，不再只是一個人苦苦推導。而是把枯燥的枚舉、嘗試、檢驗丟給 AI，人類集中精力抓核心思路、做關鍵判斷。誰先學會和這類工具高效協(xié)作，誰就等于多了一個「超級合作者」。
數(shù)學之外的物理「試金石」
在登頂數(shù)學基準測試的同時，Gemini 也霸榜了一項最新的物理基準測試 ——CritPt。CritPt 的誕生基于研究者們開始追問一個問題：大模型真的能像物理學家那樣，完整推進一場前沿研究嗎？
其全稱為 「Complex Research using Integrated Thinking – Physics Test」，要測的，正是 AI 從「像樣回答」跨越到「真正推理」的那道臨界線。目前已在 Artificial Analysis 平臺上線。
與以往基于教科書或公開題庫的物理題庫不同，CritPt 是首個專門面向「未公開、真研究級」物理問題的大模型基準。
它由來自阿貢國家實驗室、伊利諾伊大學厄巴納-香檳分校等三十多家機構的五十余位活躍物理學者共同打造，涵蓋凝聚態(tài)、量子、原子分子與光學、天體物理、高能物理等現(xiàn)代物理的十一大分支。
每道題目都像是交給一名優(yōu)秀物理學博士新生的一次獨立小課題：需要建模、推導、近似與跨領域聯(lián)想，卻又保證答案可機讀、可自動嚴格判分。
CritPt 測試的挑戰(zhàn)示例如下圖所示。
不出意外，Gemini 3 Pro 再次霸榜該項物理研究測試。同樣的，GPT-5.1 緊隨其后?？磥?，這兩模型還真是代表了當前最前沿的模型水平。
不過，雖然登頂了 CritPt，Gemini 3 Pro 的成績也才有 9.1%，與滿分表現(xiàn)還有些距離。
參考資料：
https://x.com/EpochAIResearch/status/1991945942174761050
https://x.com/ArtificialAnlys/status/1991913465968222555?s=20
https://x.com/kimmonismus/status/1991968861747339508?s=20
https://mathstodon.xyz/@tao/115591487350860999
https://mathstodon.xyz/@tao/115585571504291318
https://www.kaggle.com/competitions/ai-mathematical-olympiad-progress-prize-3/overview
本文來自微信公眾號：新智元（ID：AI_era）
廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結果僅供參考，IT之家包含外鏈的文章均包含本聲明。