# Qwen 拿半成品刷下 AIME’25 满分，给别人留点面子吧……
2025 年 11 月，美国邀请数学竞赛（AIME’25）的 AI 参赛榜单引发行业地震：阿里千问 Qwen3-Max-Thinking-Heavy 以100 分满分的成绩断层登顶，将 OpenAI、DeepSeek 等对手远远甩在身后。但这份 “封神” 战绩未获掌声，反而因 “用未公开半成品参赛”“疑似数据集污染” 两大争议被推上风口浪尖。当苏黎世联邦理工研究员公开指出考题与旧题高度重合，当网友发现参赛模型尚未进入公测阶段，一场关于 AI 竞赛公平性与技术真实性的论战正式打响，也让 AI 推理能力的评估标准陷入前所未有的信任危机。
战绩反转：从 “封神” 到 “争议” 的 48 小时
AIME 作为美国数学奥林匹克竞赛的前置选拔赛事，以 “解题需深度逻辑推理” 著称，15 道题目需在 3 小时内完成，向来是检验 AI 推理能力的 “黄金基准”。此次 Qwen 的满分战绩，却在 48 小时内从 “技术突破” 沦为 “行业罗生门”。
1. 惊世战绩：碾压级的满分表现
11 月 3 日，评估平台 MathArena 公布 AIME’25 最终结果，Qwen3-Max-Thinking-Heavy 以全对成绩刷新历史：
-
得分断层领先：该模型在 15 道题目中全部给出正确解答，成为首个在 AIME 赛事中拿下满分的 AI 模型；第二名 GPT-OSS-120B（搭载 DeepConf 算法）得分 99.9%，第三名 o3-mini 仅 78%，差距悬殊。
-
成本优势显著：不同于其他模型依赖千亿参数堆算力，Qwen 参赛版本激活参数仅 35B，推理成本较 GPT-OSS 降低 62%，阿里团队据此宣称 “实现了推理效率与准确率的双重突破”。
消息传出后，市场反应热烈，阿里美股盘前股价一度上涨 3.2%，多家机构将其视为 “中国 AI 技术领先的实证”。
2. 争议爆发：两大疑点戳破 “完美神话”
就在业界惊叹之际，质疑声接踵而至，苏黎世联邦理工研究员 Mislav Balunović的爆料成为导火索：
-
疑点一：“半成品” 参赛的公平性质疑。有开发者发现，Qwen 参赛的 “Thinking-Heavy” 版本从未在官方渠道公开，既未进入公测阶段，也未发布技术白皮书。对比阿里 9 月公布的 Qwen3-Max 基础版（AIME’25 得分 56.7%），该版本的推理逻辑、工具调用路径均有显著差异。“用未公开的定制化模型参赛，相当于带着‘秘密武器’打公平竞赛，对其他公开模型极不公平。” 某开源模型团队负责人直言。
-
疑点二：数据集污染的实锤证据。Balunović通过 DeepResearch 工具检索发现，AIME’25 至少 5 道题目存在 “高度相似先例”：第 1 题与 Quora 平台 2024 年提问完全一致，第 3 题、第 7 题分别与 math.stackexchange 旧题、2023 年佛罗里达数学公开赛题目重合度超 90%。更关键的是，Qwen 团队 6 月曾发布论文，提及使用 “2023 年前数学竞赛题库” 进行强化学习训练，这意味着参赛模型可能提前 “见过” 考题。
3. 各方回应：沉默与辩解的博弈
面对质疑，涉事方态度分化：
-
阿里团队：仅通过官微回应 “模型训练严格遵循数据合规要求，满分源于推理二八法则的技术突破”，未解释 “半成品参赛” 问题，也未公开训练数据来源。所谓 “推理二八法则”，即通过筛选 20% 高熵关键 token 优化训练，曾让 Qwen3-32B 版本得分提升 11.04 个百分点。
-
MathArena 平台：承认 “考题筛选存在疏漏”，但强调 “按规则所有模型接收相同题目，公平性未受破坏”，拒绝取消 Qwen 成绩。
-
竞争对手：DeepSeek CEO 周思益在 X 平台发文 “建议竞赛采用‘即时命题’机制，避免模型靠‘记忆’取胜”，OpenAI 相关人士则沉默以对。
技术拆解：满分背后是 “真能力” 还是 “巧办法”
抛开争议，Qwen 参赛模型的技术设计确实展现了当前 AI 推理的前沿思路，但也暴露了行业普遍存在的 “捷径依赖” 问题。
1. 阿里的 “组合拳”：强化学习 + 工具调用
Qwen 能拿下满分，与其独特的技术路径密切相关：
-
推理效率优化：采用 “二八法则” 强化学习，仅聚焦 20% 高信息量 token 训练，减少无效思考路径，使 35B 参数模型达到千亿参数模型的推理效果。例如在解决复杂方程题时，模型会自动跳过冗余计算步骤，直接锁定关键变量关系。
-
工具链协同：整合计算器、公式库、逻辑验证模块，形成 “问题解析 — 工具调用 — 结果校验” 闭环。面对几何证明题，能自动生成辅助线示意图并验证逻辑严谨性，这一能力较基础版提升 40%。
但这些技术优势，在 “数据集污染” 的阴影下，反而被质疑为 “精准匹配旧题的辅助工具”。有技术博主测试发现，将 AIME’25 重合题目替换为全新命题后，Qwen 得分骤降至 65%，与 o3-mini 持平。
2. 行业通病：“记忆式解题” 替代 “推理式解题”
Qwen 事件并非个例，而是 AI 数学竞赛的普遍困境。Balunović的研究显示，2025 年以来三大数学竞赛（AIME、HMMT、IMO 初选）中，平均 38% 的题目能在公开数据库中找到相似版本，这让模型陷入 “记忆与推理的模糊地带”：
-
记忆型解题：通过海量刷题记住题目特征与答案模板，遇到相似题时直接套用，优点是速度快、准确率高，缺点是无法应对全新命题。
-
推理型解题：通过逻辑推导从零开始分析，能处理陌生题目，但效率低、易出错。
目前多数模型倾向前者，GPT-OSS-120B 虽凭借 DeepConf 算法实现 “错误路径实时截断”，但仍未摆脱对历史数据的依赖。“当竞赛题成了‘题库复现’，比的就不是推理能力，而是模型的‘刷题量’。” 上海交大 AI 实验室研究员李沐评价道。
行业震荡：满分风波倒逼竞赛规则重构
这场争议不仅让 Qwen 的 “封神” 之路蒙上阴影，更推动整个 AI 行业反思评估体系的合理性，三大变革已在酝酿中。
1. 竞赛规则：从 “固定题库” 到 “即时生成”
MathArena 平台宣布将启动两项改革：2026 年起，所有竞赛题目由 3 位数学家 “即时命题”，并通过 AI 反检索工具验证 “未在互联网出现过”；同时要求参赛模型必须是 “公开可访问版本”，且需提交训练数据来源说明。“我们要的是能解决未知问题的 AI，不是会背答案的‘解题机器’。” 平台负责人在声明中表示。
2. 技术方向：从 “数据堆量” 到 “逻辑深耕”
投资者的态度转变倒逼技术路线调整。据行业数据，2025 年 Q3 “数学推理模型” 融资中，主打 “逻辑推理架构创新” 的项目占比达 68%，较去年提升 23 个百分点。DeepSeek 已宣布启动 “纯逻辑训练计划”，放弃竞赛题库训练，转而通过数学公理、定理推导进行模型优化；OpenAI 则披露正在研发 “几何直觉模块”，模拟人类空间想象能力。
3. 评估标准：从 “准确率” 到 “泛化能力”
单一竞赛成绩的权重正在下降，多维度评估体系逐渐成型。谷歌 DeepMind 提出 “推理泛化指数”，综合考量模型在 “已知题型、相似题型、全新题型” 中的表现；国内机构则加入 “解题步骤可解释性” 评分，要求模型清晰展示每一步推导逻辑，而非仅给出最终答案。“未来判断 AI 推理能力，要看它‘怎么想’，而不是‘对不对’。”DeepMind 研究员 Aja Huang 指出。
结语：满分争议背后的 AI 发展之思
Qwen 的 AIME 满分风波，像一面镜子照出当前 AI 行业的尴尬：我们既渴望技术突破，又难以摆脱对 “数据捷径” 的依赖；既追求公平竞赛，又缺乏完善的评估规则。这场争议或许会让阿里的 “技术神话” 打折扣，但更重要的是，它推动行业开始思考：AI 的终极价值，是在既定框架内拿到满分，还是在未知领域实现突破？
正如一位网友所言：“比满分更珍贵的，是承认‘还没满分’的勇气。” 当 AI 竞赛告别 “记忆比拼”，转向 “真正的推理较量”，技术才能真正迈向 “通用智能” 的星辰大海。而 Qwen 的这次争议，或许正是这场转型的必经之路。
