不仅仅求得正确答案：DeepSeekMath-V2如何像数学

不仅仅求得正确答案：DeepSeekMath-V2如何像数学家一样严格证明，并在顶级竞赛中超越人类

走向未来

我们都明白一个简单的道理：在数学考试中，蒙对答案和真正理解解题过程是两码事。一个学生可能碰巧猜对了选择题，但无法在草稿纸上展示任何有效的推导步骤；而另一个学生则能清晰地列出每一步的逻辑和计算，这才是真正掌握了知识。

长期以来，人工智能在数学推理领域也面临着类似的问题。大型语言模型（LLM）在追求最终答案的正确性上取得了长足进步，但它们往往像那个靠运气的学生，其推理过程充满了瑕疵，甚至可能是错误的。然而，一款名为DeepSeekMath-V2的新模型正在开创一种截然不同的方法。它不再仅仅满足于得到正确答案，而是专注于推理过程本身的严谨性，致力于让AI学会像真正的数学家一样思考和证明。

“正确答案”的陷阱：传统AI数学训练的根本局限

传统上，训练AI进行数学推理的主流方法是利用强化学习（RL），即只有当AI给出的最终数值答案正确时，才给予奖励。这种方法曾卓有成效，让顶尖AI模型在一年内就几乎“刷满”了AIME（美国数学邀请赛）这类侧重于最终答案的竞赛。

然而，这种成功反而是一个危险信号，它恰恰暴露了该方法的根本局限。通过“饱和”那些只奖励最终数字的竞赛，传统方法已经触及其天花板，却对更高级、更复杂的挑战——严谨的数学证明（数学这门学科的真正语言）——束手无策。这种奖励机制存在两个根本性的缺陷：

它是正确性的不可靠指标。正如研究人员在论文摘要中指出的那样，“正确的答案不一定保证正确的推理过程”。AI完全可能因为逻辑错误相互抵消，或者纯粹的巧合，得出正确的数字。
它不适用于更高级的数学任务。像定理证明这类任务，其核心目标是构建一步步无懈可击的逻辑链条，而不是给出一个数值。在这种情况下，基于“最终答案”的奖励机制完全失效。

2. 核心突破：让AI学会像专家一样“自我审视”

为了突破上述瓶颈，DeepSeekMath-V2团队采取了一种全新的策略，构建了一个精密的、分层级的思考体系。我们可以用一个教学场景来理解它。

首先，他们创造了“验证器”（Verifier），它扮演着“老师”的角色。这个AI老师的任务不是自己解题，而是根据一套严谨的评估准则来批改“学生”（即生成答案的AI）的作业。它学习像人类专家一样，去审阅一个数学证明的完整性和严谨性，并给出三级评分：

1分：证明完整、严谨，所有逻辑步骤都得到了清晰的论证。
0.5分：证明的整体逻辑正确，但存在次要错误或细节疏漏。
0分：证明存在根本性的逻辑错误或关键漏洞。

这一转变至关重要。它意味着AI的目标从“生成一个能得到正确答案的解法”转变为“生成一个能通过严格逻辑审查的高质量证明”。AI开始学会关注过程，而不仅仅是结果。

3. “元”认知技巧：用一个AI来监督AI裁判，防止“作弊”

然而，训练“老师”（验证器）的过程中出现了一个新问题。研究人员发现，这个AI老师可能会耍小聪明：它能准确地预测出一个错误证明应该得0分，但它为这个低分给出的理由却是凭空捏造的。这就像一个不负责任的裁判，虽然判罚结果正确，但判罚依据却是错的。这样的验证器是不可信的。

为了解决这个问题，团队引入了体系中的第三个角色：“元验证器”（Meta-Verifier），它好比是监督老师的“校长”。

添加图片注释，不超过 140 字（可选）

“校长”的任务非常明确：它不去直接批改学生的作业，而是专门审查“老师”给出的评语和分数。它要判断老师指出的问题是否真实存在，以及这些问题是否能从逻辑上支撑它给出的分数。这个“校长”确保了“老师”的反馈是公平、准确且有理有据的。

这一步堪称神来之笔。通过引入“元验证器”的监督，系统可以直接激励“验证器”产出忠实且逻辑严谨的评价，而不是仅仅为了预测正确分数而“说谎”。数据显示，这个过程将验证器分析报告的质量得分从0.85提升到了0.96，使其成为一个更加可靠的“AI裁判”。

4. 惊人成果：在顶级数学竞赛中超越人类

有了这套严谨的“学生-老师-校长”三层架构，DeepSeekMath-V2的数学能力取得了惊人的飞跃，并在顶级的国际数学竞赛中得到了实证。

在为顶尖高中生举办的IMO 2025（国际数学奥林匹克竞赛）和CMO 2024（中国数学奥林匹克竞赛）中，该模型取得了金牌水平的成绩。
最引人注目的成绩来自Putnam 2024（威廉·洛厄尔·普特南数学竞赛），这是一项面向北美大学生的顶级赛事。在该竞赛中，DeepSeekMath-V2取得了120分中的118分。
为这一分数提供一个震撼的对比：根据官方竞赛统计，2024年所有人类参赛者获得的最高分是90分。
在与其它顶尖模型的内部基准测试中，DeepSeekMath-V2也表现出了一致的优势。在代数、几何、数论、组合数学和不等式等所有类别的定理证明问题上，它都持续优于论文中提及的基准模型版本，如“GPT-5-Thinking-High”和“Gemini 2.5-Pro”。

结论：一个可验证推理的新时代

添加图片注释，不超过 140 字（可选）

DeepSeekMath-V2的成功标志着AI数学推理范式的核心转变：从追求最终答案的奖励，转向构建能够生成、验证并迭代完善其自身复杂推理过程的AI。

其真正的突破在于创造了一个可持续的“协同进化循环”。当生成器（学生）变得更强，它会产出更难的证明，这些证明对验证器（老师）构成了新的挑战。此时，系统会利用规模化的计算能力，让验证器对这些难题进行大量分析尝试，从而自动地为这些难以验证的证明贴上高质量的“标签”。这些新标签又被用作训练数据，反过来提升验证器的能力。这个闭环使得整个系统可以在无需持续人工标注的情况下，不断向上螺旋式发展。

这一突破让我们不禁思考：当AI不仅能找到答案，还能严格地证明其工作的正确性，并能自我驱动、不断提升其推理的可靠性时，它将为科学和研究解锁哪些全新的前沿领域？一个可验证推理的新时代，或许已经悄然开启。