Nvidias AI löser världens tuffaste matteprov på guldmedaljnivå – utan hjälpmedel

När AI börjar resonera på riktigt

Det finns ett antal riktmärken inom AI-världen som fungerar som vägmärken – sätt att mäta om systemen faktiskt blir klokare, inte bara snabbare på att hämta lagrad information. Internationella matematikolympiaden, IMO, är ett av de mest respekterade. Det är en tävling där världens mest begåvade gymnasieelever bryts mot varandra i ren matematisk problemlösning – utan formelblad, utan miniräknare, utan internet.

Nu rapporterar forskare från Nvidia att deras modell Nemotron 3 Ultra klarat IMO 2026 på guldmedaljnivå, med 30 av 42 möjliga poäng. Det är inte ett hårfint godkänt – det är ett resultat som placerar modellen bland de bästa mänskliga deltagarna i tävlingen.

Tre modeller som granskar varandra

Det tekniskt intressanta är hur systemet fungerar. Det handlar inte om ett enskilt neuralt nätverk som spottar ur sig svar. Enligt det publicerade forskningspappret på arXiv arbetar tre olika versioner av Nemotron 3 Ultra tillsammans i en iterativ process – en genererar bevis, en annan granskar dem, och en tredje förfinar. Det påminner om hur erfarna matematiker faktiskt arbetar: man skriver ett utkast, ifrågasätter sina egna antaganden och omformulerar.

Vad som gör det ännu mer anmärkningsvärt är att systemet uteslutande arbetar med naturligt språk. Inga formella bevissystem som Lean eller Coq, inga externa verktyg, ingen nätuppkoppling. Det är rent språkbaserat resonemang – samma sorts teknik som driver de stora språkmodeller vi använder dagligen, men finslipat och specialiserat för djup matematisk analys.

Träningen har kombinerat övervakat inlärning med förstärkningsinlärning – en kombination som blivit allt vanligare för att lära modeller att inte bara producera svar, utan att värdera och förbättra sina egna resonemang.

Öppen källkod och ett nytt riktmärke

En detalj som förtjänar extra uppmärksamhet: Nvidia släpper allt som öppen källkod. Tränade modeller, träningsdata, källkod och de faktiska lösningar som lämnades in till tävlingen – allt finns tillgängligt för forskarsamhället. Det är ett generöst bidrag som accelererar forskningen i hela branschen.

Dessutom publiceras ett nytt riktmärke kallat Nemotron-IMO-Bench, bestående av 200 nya olympiadproblem på hög nivå. Det är ett välkommet tillskott. En av utmaningarna med avancerad AI-forskning är att populära riktmärken förlorar sitt värde när modellerna tränats på liknande data – det kallas datakontaminering. Färska, svåra problem som dessa ger forskarsamhället ett mer tillförlitligt mätinstrument framöver.

Vad det betyder för forskning och utbildning

Jag vill vara tydlig med vad det här inte är: det är inte en modell som ersätter matematiker. IMO-problem, hur svåra de än är, utgör en väldefinierad uppgiftstyp med tydliga rätt och fel. Verklig matematisk forskning handlar om att formulera rätt frågor, inte bara besvara givna.

Men det är ett mäktigt verktyg i vardande. Föreställ dig en doktorand i matematik som kan använda en sådan modell för att snabbt generera och granska bevisidéer, eller en gymnasielärare som kan skapa skräddarsydda olympiadliknande problem för sina duktigaste elever. Det handlar om att förstärka mänsklig förmåga, inte ersätta den.

Historiskt sett har det tagit lång tid att nå den här typen av resultat. När DeepMinds AlphaProof och AlphaGeometry 2 klarade IMO-uppgifter sommaren 2024 var det en sensation. Nu, mindre än två år senare, gör Nvidia det med en renodlad språkmodell utan formella bevissystem – och öppnar upp hela stacken för omvärlden. Takten i den här utvecklingen är påtaglig.