<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
<channel><title>走近大模型 · 讲义</title><link>https://intro2llm.pages.dev/notes</link><description>每一讲的书面材料与长文。</description><language>zh-CN</language><atom:link href="https://intro2llm.pages.dev/notes/rss.xml" rel="self" type="application/rss+xml"/><lastBuildDate>Thu, 19 Nov 2026 16:00:00 GMT</lastBuildDate><item><title>听到“AI 拿了满分”，先问四个评测条件</title><link>https://intro2llm.pages.dev/lectures/01/notes/four-questions-before-you-believe-a-score</link><guid isPermaLink="true">https://intro2llm.pages.dev/lectures/01/notes/four-questions-before-you-believe-a-score</guid><atom:updated>2026-11-19T16:00:00.000Z</atom:updated><description>同一个模型、同一张卷子，一张成绩单 42 分，另一张 35 分。分数差在哪？读一个评测成绩，要看四个条件：尝试次数、评分者、数据污染、人工干预。</description><content:encoded>&lt;p&gt;2026 年 7 月，第 67 届 IMO 在上海举办。同一届，有公司公布它们的 AI 在六道新题上拿了 42 分满分；有人自己拿题去测，说四个模型都是满分；还有一家公司做了第三方测试，其中一个模型是 35 分，而这个模型在前面那次自测里是 42 分。同一个模型，同一张卷子，差了整整一道题。&lt;/p&gt;
&lt;p&gt;这不一定有谁在撒谎。一个评测成绩至少取决于四个条件；可以把它们想成四个旋钮，每拧一个，分数就变。&lt;/p&gt;
&lt;h2&gt;条件一，尝试次数：试了几次？&lt;/h2&gt;
&lt;p&gt;一道题的单次成功率是 p；独立尝试 k 次，至少成功一次（k 次取最优）的概率是 1−(1−p)&lt;sup&gt;k&lt;/sup&gt;。p＝0.3 时，试 1 次是 30%，试 2 次 51%，试 4 次 76%，试 8 次 94%，试 16 次 99.7%。单次成功率 30% 的模型，8 次取最优就是 94%。反过来，8 次全部成功的概率是 0.3⁸，约 0.0066%。那次第三方测试写明了它的做法：每题多次尝试，取最高分。真实的模型各次尝试并不完全独立，实际提高没有这么多，但方向不变。&lt;/p&gt;
&lt;h2&gt;条件二，评分者：谁评的分？&lt;/h2&gt;
&lt;p&gt;评一份证明有三种评分方式。人工评分：可靠，没见过的解法也能评，但慢、成本高；2025 年那次 35 分是 IMO 官方阅卷人按评学生答卷的同一标准评的。模型评分：快、成本低，但可能把看似正确的错误证明判为正确（误判）；那次第三方测试用的是模型评分，作者自己把这一条列为局限。形式化验证（证明检查器，如 Lean）：快，通过检查的证明就是正确的，但只适用于已经形式化的题和证明；2024 年那套达到银牌水平的系统，题目是人工形式化的。&lt;/p&gt;
&lt;h2&gt;条件三，数据污染：题目它见过吗？&lt;/h2&gt;
&lt;p&gt;2023 年有人用编程竞赛的简单题测试刚发布的 GPT-4：2021 年以前出的 10 道全对，新近出的 10 道全错，而它的训练数据截止于 2021 年 9 月。测试题要是在训练数据里出现过，高分可能来自记住了题目和解答，这叫数据污染。IMO 每年 7 月出六道新题，所以大家看重它。&lt;/p&gt;
&lt;h2&gt;条件四，人工干预：人参与了哪些环节？&lt;/h2&gt;
&lt;p&gt;可能有人工干预的地方有三处：谁做的形式化（2024 年，题目由人工形式化）；提示词里写了什么（2025 年，给模型的指令里加了解 IMO 题的一般建议，还给了一批精选的解答）；谁选的答案（每题多次尝试，交哪一份）。这些做法都由发布方自己公开说明，不是作弊，但它们决定了这个成绩衡量的是模型独立的能力，还是模型加上人的能力。&lt;/p&gt;
&lt;h2&gt;这四个条件合起来，叫评测条件（口径）。&lt;/h2&gt;
&lt;p&gt;一个数不说明评测条件，还不能算一个结果。这四个条件不只适用于数学，AI 的编程成绩、看病的成绩、高考的成绩，一样要问；它也不只适用于 AI，任何实验结果都可以问：重复了几次，谁评的，是不是事先知道答案，有没有人为干预。&lt;/p&gt;
&lt;h2&gt;我们自己也用上了。&lt;/h2&gt;
&lt;p&gt;备这一讲时，帮我们查资料的 AI 写了两句话：“IMO 主席致贺，确认 AI 满分”；“一个开源模型，单趟只花 12 美分，就过了金牌线”。回原文核：第一句在新闻稿和 IMO 官网里都找不到；第二句其实是每题多次尝试、取最高分，由模型评分，12 美分是最好那一趟的花费。两句各改了一个评测条件：评分者，尝试次数。&lt;/p&gt;
&lt;h2&gt;课后可以试。&lt;/h2&gt;
&lt;p&gt;选一道你确实会做的题，改掉其中一个条件，开 8 个新对话各问一次，记录对了几次。这一回四个评测条件都清楚：尝试次数你知道，评分者是你，题是你新出的，没有人工干预。&lt;/p&gt;
&lt;h2&gt;出处&lt;/h2&gt;
&lt;p&gt;IMO 2026 官网；中国日报 2026-07-22、华为新闻稿、法新社 2026-07-23（两家公司公布的成绩；测试条件来自报道的叙述和其中一家公司的说法，没有组委会的确认）；Cline 2026-08-26（第三方测试与它写明的评测条件）；Google DeepMind 2024-07-25、2025-07-21；Narayanan 与 Kapoor 2023-03-20；Yao 等，τ-bench（2024）。&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;&lt;a href=&quot;https://www.imo-official.org/editions/2026/&quot;&gt;IMO 2026（上海）&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://cn.chinadaily.com.cn/a/202607/22/WS6a607452a310d709c2fbf0ec.html&quot;&gt;中国日报，2026-07-22&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://consumer.huawei.com/cn/press/news/2026/celia-imo-2026-gold-medal/&quot;&gt;华为新闻稿（小艺参加 IMO 2026）&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://www.standardmedia.co.ke/sci-tech/article/2001553533/ai-catches-up-with-humans-to-score-100pc-at-top-maths-contest&quot;&gt;法新社，2026-07-23（The Standard 转载）&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://cline.bot/blog/deepseek-wins-imo-gold-on-12-cents&quot;&gt;Cline，2026-08-26（第三方测试）&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://arxiv.org/abs/2406.12045&quot;&gt;Yao 等，τ-bench（2024）&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://deepmind.google/discover/blog/ai-solves-imo-problems-at-silver-medal-level&quot;&gt;Google DeepMind，2024-07-25（IMO 银牌水平）&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://deepmind.google/discover/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/&quot;&gt;Google DeepMind，2025-07-21（IMO 金牌水平，官方阅卷）&lt;/a&gt;&lt;/li&gt;
&lt;/ul&gt;
</content:encoded></item>
<item><title>第六题为什么是 2112</title><link>https://intro2llm.pages.dev/lectures/01/notes/why-2112</link><guid isPermaLink="true">https://intro2llm.pages.dev/lectures/01/notes/why-2112</guid><atom:updated>2026-11-19T16:00:00.000Z</atom:updated><description>2025 年 IMO 的第六题，630 名选手里只有 6 人得满分，那一年到了金牌线的 AI 是 0 分。答案 2112 是怎么来的：一半是构造，一半是 1935 年的 Erdős–Szekeres 定理。</description><content:encoded>&lt;p&gt;课上我们把这道题走了一遍，这里把完整的线索留下来，方便你自己推一遍。&lt;/p&gt;
&lt;h2&gt;题目。&lt;/h2&gt;
&lt;p&gt;2025×2025 的方格表里放长方形的砖：沿格线放，互不重叠，大小随意。要求每一行、每一列恰好留一个空格。最少放几块？答案是 2112。说清楚这个答案要两半：先构造出 2112 块的铺法（上界），再证明不可能更少（下界）。&lt;/p&gt;
&lt;h2&gt;前一半：构造（上界）。&lt;/h2&gt;
&lt;p&gt;先看小的。4×4 的方格，把空格排在对角线上要 6 块；把空格挪成第 1 到 4 行分别在第 2、4、1、3 列，中间正好让出一块 2×2，外圈 4 块，一共 5 块。9×9 照同样的想法：空格在第 1 到 9 行分别放在第 3、6、9、2、5、8、1、4、7 列，也就是分成三段，段内一行比一行往右跳 3 格，下一段整体往左挪一格。空格之间让出 4 块 3×3 的方砖，外圈 8 块，一共 12 块。一般地，边长是 k² 时，这样排能让出 (k−1)² 块 k×k 的方砖，外圈再用 4(k−1) 块，一共 k²＋2k−3 块。2025＝45²，所以 44²＋4×44＝1936＋176＝2112 块可行。&lt;/p&gt;
&lt;h2&gt;后一半：下界（不能更少）。&lt;/h2&gt;
&lt;p&gt;每行每列恰好一个空格，所以从上往下读每一行空格在第几列，得到 1 到 N 的一个排列。排列里从左到右挑出几个数、一个比一个大，叫上升子列；最长的上升子列长 a。一个比一个小的叫下降子列，最长的长 b。在棋盘上，上升子列是一串往右下排的空格，下降子列是一串往左下排的空格。&lt;/p&gt;
&lt;p&gt;第一步是一条引理：不管怎么摆，砖数不少于 N＋a＋b−3。它的证明提纲是这样的：挑一条最长的上升子列和一条最长的下降子列，各连成折线、接到棋盘的两个对角，棋盘被分成上、右、下、左四个区域；每个空格朝它所在区域的方向，在相邻的格子里做一个标记，落在子列上的空格多做标记；可以证明同一块砖里最多一个标记，而最多有 4 个标记落在棋盘外，数下来就是这个式子。完整的论证见文末的笔记。你可以拿小棋盘验一验：对角线 1 2 3 4 是 a＝4、b＝1，下界是 4＋4＋1−3＝6；2 4 1 3 是 a＝2、b＝2，下界是 5；都恰好等于实际的最少块数。&lt;/p&gt;
&lt;p&gt;第二步：想省砖，a 和 b 都要小。可它们不能同时都小。1935 年的 Erdős–Szekeres 定理说：a×b ≥ N。证明只要抽屉原理。给排列里的每一项配一个数对（下面叫它的“标签”）：以它结尾的最长上升子列有多长，以它结尾的最长下降子列有多长。任取两个数，后面的那个如果比前面的大，就能接在前面那个的上升子列后面，第一个标签至少多 1；如果比前面的小，第二个标签至少多 1。所以任何两个数的标签都不同。标签的第一个数最大是 a，第二个最大是 b，最多 a×b 种；N 个数要 N 种不同的标签，于是 a×b ≥ N。&lt;/p&gt;
&lt;p&gt;第三步是基本不等式：a＋b ≥ 2√(ab) ≥ 2√N。N＝2025 时 a＋b ≥ 90，所以砖数 ≥ 2025＋90−3＝2112。&lt;/p&gt;
&lt;p&gt;上界 2112，下界 2112，所以最少恰好是 2112 块。顺带一提，9×9 的那个排列 3 6 9 2 5 8 1 4 7，九个数的标签正好是 (1,1) 到 (3,3) 这九对，一对不多一对不少：这个构造让最长上升子列和最长下降子列都取到了可能的最小长度。&lt;/p&gt;
&lt;h2&gt;这道题难在哪。&lt;/h2&gt;
&lt;p&gt;两半都要。前一半要看出一个没见过的构造；后一半要想到，铺砖的问题里藏着一条讲排列的定理。2025 年达到金牌线的 AI 做对了前五题，在这一题上是 0 分。一年以后的事，见第 1 讲。&lt;/p&gt;
&lt;h2&gt;想自己再走一步。&lt;/h2&gt;
&lt;p&gt;边长不是平方数时答案是多少？5×5 是 7 块，你能摆出来吗？能证明 6 块不行吗？&lt;/p&gt;
&lt;h2&gt;出处&lt;/h2&gt;
&lt;p&gt;IMO 2025 官方题目；IMO 2025 个人成绩；Evan Chen 的 IMO 2025 解答笔记（构造、下界的证明）；维基百科 Erdős–Szekeres theorem。小棋盘的块数（3×3 是 4 块，4×4 是 5 块，5×5 是 7 块）和上面两个下界的例子，课程组用程序穷举核过。&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;&lt;a href=&quot;https://www.imo-official.org/assets/documents/problems/2025/2025_eng.pdf&quot;&gt;IMO 2025 官方题目&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://www.imo-official.org/results/individual/year/2025/&quot;&gt;IMO 2025 个人成绩&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://web.evanchen.cc/exams/IMO-2025-notes.pdf&quot;&gt;Evan Chen，IMO 2025 解答笔记&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;&lt;a href=&quot;https://en.wikipedia.org/wiki/Erd%C5%91s%E2%80%93Szekeres_theorem&quot;&gt;Erdős–Szekeres 定理（维基百科）&lt;/a&gt;&lt;/li&gt;
&lt;/ul&gt;
</content:encoded></item></channel></rss>