Nvidias AI tog guld i både matematikens och programmeringens VM – med samma grundmodell

Samma modell, två helt olika guldmedaljer

Det finns en detalj i Nvidias senaste resultat som jag tycker förtjänar att stanna vid: det är samma grundmodell som ligger bakom båda prestationerna. Enligt Hugging Face Blog har Nvidia, med utgångspunkt i Nemotron 3, tränat fram specialiserade varianter som nått guldnivå i både den internationella matematikolympiaden (IMO) och den internationella informatikolympiaden (IOI) 2026.

Det kan låta som ett tekniskt faktum bland många, men implikationen är principiellt viktig. De två tävlingarna mäter fundamentalt olika förmågor.

IMO handlar om att formulera rigorösa matematiska bevis på naturligt språk — det kräver abstrakt resonemang, kreativitet och förmågan att bygga logiska kedjor från grunden. IOI är något helt annat: här gäller det att skriva effektiva algoritmer och kod som klarar dolda testfall inom strikta tids- och inlämningsgränser. Det är precisionsingenjörskonst under press.

Att lyckas i båda, med samma underliggande arkitektur, är ett starkt argument för att de senaste generationernas grundmodeller verkligen lärt sig något mer generellt än vi kanske tidigare vågat tro.

Så gick det till: en återanvändbar metod

Nvidias tillvägagångssätt är välstrukturerat och, intressant nog, relativt tillgängligt i sin logik. Fyra steg: en stark grundmodell, domänspecifik träningsdata av hög kvalitet, beprövade träningsmetoder — övervakad finjustering kombinerat med förstärkningsinlärning — samt en iterativ slutledningsloop där modellen genererar, utvärderar och förbättrar sina egna svar.

För IOI-specialiseringen samlade teamet in 22 000 tävlingsprogrammeringsproblem. Resultatet är talande: den mindre varianten, med 30 miljarder parametrar, förbättrade sin poäng från 130 poäng före träning till 468 poäng efter — och guldgränsen låg på 438,3 poäng. Den större varianten nådde hela 535,4 av 600 möjliga poäng.

Det bör tilläggas att IOI-resultatet uppnåddes i en inofficiell körning, vilket Nvidia själva är transparenta med. Det påverkar inte principens giltighet, men är viktigt att hålla i minnet när man tolkar siffrorna.

Vad det säger om riktningen

Jag har följt språkmodellers utveckling länge, och det som slår mig med just det här resultatet är hastigheten på förmågeökningen. För några år sedan var matematiska bevis på olympiadnivå ett av de klassiska exemplen på vad AI inte kunde göra. Nu är det ett avklarat kapitel.

Det viktiga är inte att AI "besegrat" unga matematiker — den tävlingen är fel att fokusera på. Det viktiga är vad det säger om möjligheterna. Om en modell kan specialiseras för rigoröst matematiskt resonemang och algoritmisk problemlösning med samma grundarkitektur och relativt standardiserade träningsmetoder, öppnar det dörrar inom forskning, utbildning och mjukvaruutveckling som tidigare var stängda.

Tänk på vad det innebär för en forskare inom ett smalt matematiskt fält, eller för en ensam utvecklare som vill angripa komplexa algoritmiska problem utan ett helt team bakom sig. Det är där den verkliga nyttan börjar bli synlig.

Metoden — stark grundmodell, kvalitetsdata, iterativ återkoppling — är inte magisk. Den är repeterbar. Det är kanske det allra mest intressanta med Nvidias resultat: det är inte ett engångskonststycke utan en ritning.