一个 AI 和天才高中生坐在了同一间考场里

2026 年 9 月 24 日，NVIDIA 研究团队上传了一篇论文，标题很朴素：《Post-Training Language Models for Gold-Medal Performance in Coding Competitions》。真正让人愣住的不是标题，是里面那张表——他们的系统 Competition Ultra-CC 在 IOI 2026 的现场评分是 535.4 / 600。

当届人类最高分选手是 498.27。当届金牌线是 361.12。

这不是一场表演赛。AI 面对的条件和人类选手完全一样：同样的时间限制，同样每个题目最多约 10 次提交、全场 50 次提交的上限，同样的断网环境。没有搜索引擎，没有模型调用，没有人工兜底。它就是坐在那台机器前，读题、想算法、写代码、提交，然后看着评测结果回来一个红色的 WA 或者绿色的 AC。

科幻里那个“机器在人类最引以为傲的智力竞技场上赢过人类”的画面，我们本来以为会先在围棋之后、在数学奥赛里出现，结果它在信息学奥赛上先落地了。而且不是险胜，是把当届最强的人类选手甩开了将近 37 分。

IOI 这块试金石，硬在哪

先把 IOI 是什么说清楚。国际信息学奥林匹克竞赛，两天比赛，每天三道题、每天五个小时，选手在断网环境下独立完成。它和数学奥赛、物理奥赛最大的区别在于——它的评分是确定性的、可执行的。

你写的是一段代码，评测机把它丢进成千上万组测试用例里跑。跑过了，拿分；跑不过，零分。这里没有“思路方向对了给一半分”这种东西，没有阅卷老师对你严谨性的体谅。算法是对的但边界情况漏了一个？那组用例零分。复杂度差了一个数量级、大数据点超时？那部分子任务零分。输出格式多了一个空格？整题零分。

它同时还在考四种完全不同的能力：算法原创性（很多题不是套模板能过的，得自己构造出那个关键观察）、边界情况的彻底性（一个空数组、一个负数、一个恰好退化的情况）、性能约束下的工程直觉（同一道题用 O(n log n) 能过、O(n²) 只能拿一半子任务，你得算得清），以及时间预算内的取舍（五个小时三道题，什么时候该放弃满分去锁定部分分）。

这四种能力里任何一环掉了，分数立刻掉。所以“超过当届人类最高分”这件事，不是某个指标上领先几个百分点，而是在一条几乎不允许犯错的赛道上，把误差控制到了比最强人类选手更小的水平。

NVIDIA 到底是怎么做到的：不是更大的模型，是更长的后训练

如果只看结果，最省事的解释是“NVIDIA 卡多、模型大”。但论文里的细节恰恰推翻了这个解释。整套流水线是这样的：

数据：从两万两千道题里，筛出四千道能跑的

他们从 16 个地区性和国际性的竞赛家族，加上在线编程平台，攒了二十多年的历史题目，总共约 22000 道。但题目本身不等于训练数据——很多题没有完整的测试用例、题面描述含糊、或者参考答案本身就不可执行。所以他们用智能体去做过滤和校验，最后只留下约 4000 道真正“可执行”的题目。

这一步的取舍很值得注意：宁可只要 4000 道干净的，也不要 22000 道脏的。因为下一阶段要靠“代码能不能跑过测试用例”当奖励信号，脏数据会直接污染整个信号。

SFT：一百二十万条推理轨迹

他们用约 120 万条 DeepSeek Flash 生成的推理轨迹做长上下文监督微调。注意这里的关键词是“推理轨迹”而不是“最终答案”。模型要学的不只是那 20 行 AC 代码，而是从读题、形成假设、推翻假设、到最终写出代码的整个思考过程。长上下文的意义也在这里：一道 IOI 题的完整求解过程，是几千甚至上万 token 量级的。

RL：GRPO，奖励就是代码能不能跑过

强化学习部分用的是 GRPO，奖励信号极其朴素——executable reward，代码在测试用例上跑过了就加分，跑不过就不加。没有过程奖励模型去猜“这一步推理看起来不错”，没有人类偏好打分。这种奖励的优点是它不可被糊弄：模型没法靠说漂亮话骗分。

GenCorrect：生成、验证、精炼，转圈

这是整篇论文里我个人认为最重要的部分，也是最能迁移到别处的方法论。

GenCorrect 是一个闭环：先迭代生成多样化的解法（不是一路走到黑，而是有意地探索不同思路），然后拿评测器的反馈去 refinement，在提交预算内反复打磨。它的本质是——模型不再被要求“一次想对”，而是被允许“想、试、被纠正、再想”。

效果可以量化。基础版本 Nano-CC 在 IOI 2025 的题目上，单次作答只有 291 分（当年金牌线 438.3），靠 5 轮 GenCorrect 迭代，分数拉到 468。Ultra-CC 从 304 拉到 502。之后再针对 IOI 2026 做竞赛专用适配，现场拿到 535.4。

你如果写过 coding agent，会发现这个结构和 agent 的 loop 是同构的：写代码、跑测试、读报错、改代码。只不过 GenCorrect 把这个 loop 压缩进了单次提交预算里，而且用严格的评测器替代了模糊的人类反馈。

130 这个数字，比 535 更值得记住

论文里还有一个很容易被忽略、但我认为信息量最大的数字。

起点是基础模型 Nemotron-3-Nano-30B-A3B，在 IOI 2025 的题目上只拿了 130 / 600。当年的铜牌线是 252。

也就是说，一个三十亿激活参数的模型，裸着上场，连铜牌的边都摸不到。从这个起点爬到 535.4，中间没有换一个“大得多的模型”当救兵，靠的是题库清洗、一百二十万条推理轨迹的 SFT、可执行奖励的 RL，以及测试时的迭代闭环。

这才是这篇文章真正想说的事：在特定领域里，专业化和工程化的杠杆，比参数量的杠杆长得多。130 到 535 之间的那 405 分，绝大部分不是“模型更聪明了”，而是“流程设计得更对了”。

泼一点冷水：别急着宣布通用编程通关

成绩是真的，但把它读成“AI 已经会写软件了”，是明显的过度外推。有三件事必须分开看。

① IOI 不是软件工程

IOI 的题目是封闭的、确定性的、有标准解的。题目出得再难，出题人心里一定有一个正确答案，而且这个答案能在一个干净的环境里跑通。真实世界的软件工程是另一回事：你面对的是一个十年没人敢动、注释全是 // TODO: fix this 的烂代码库；需求来自一个自己也没想清楚的 product manager；你改的这一行可能让三个下游服务在凌晨两点报警。这里没有“正确解”，只有“在多重约束下的可接受权衡”，而且一半的约束来自人。

竞赛考的是在清晰问题上的求解能力；工程考的是在模糊问题上的定义能力。这两种能力之间的距离，比 130 到 535 的距离更大。

② 这是一个竞赛专用模型，不是通用 coding agent

Competition Ultra-CC 是被专门为 IOI 这类比赛调出来的。它手里握着全场 50 次提交的预算，背后靠的是可观的测试时算力——每一轮 GenCorrect 都是一次完整的推理成本。这跟“帮你维护一个跑在生产环境里的服务”是两种任务。

单点突破不等于通用通关。历史上这种误读发生过很多次：AlphaGo 赢李世石那年，人们以为通用智能就在眼前；结果接下来几年，最难的部分恰恰是“把能力从棋盘里搬出来”。

③ 确定性评分环境是一种奢侈

最容易被忽视的一点是，IOI 给了 AI 一个完美的 oracle。你提交，评测机立刻告诉你对错，甚至告诉你哪组用例挂了。整个 GenCorrect 闭环能转起来，前提是这个反馈既真实又便宜。

真实工程里没有这种 oracle。线上没有测试用例告诉你“这次改动的正确率是多少”，代码评审的意见是主观的，用户投诉是延迟的、稀疏的、充满噪声的。那道让 AI 显得稳的护城河，其实是赛场自己提供的，不是模型自己长出来的。

更大的信号：护城河从“模型”挪到了“配方”

如果把这篇论文放到 2026 年的整体语境里看，它的意义会更清楚。

今年 coding 和 agent 赛道的重心，已经从“谁的基座模型更强”转向了“谁的 harness、后训练配方、数据飞轮、成本曲线更强”。GPT-6 Astra 在推理能力上的路径选择、OpenAI 把 Agents API 作为一等公民推出来、Cognition 的 SWE-2 在真实代码库任务上的调优思路——这些看起来是完全不同的产品，但在方法论上是同一件事的不同侧面：大家都在把力气花在“模型之外”的那一层。

NVIDIA 这篇论文的最后一笔也很有意思：团队承诺在 NeMo-Skills 上开源竞赛专用检查点，加上可复现的推理和评测配方。

这个动作的潜台词是很清楚的。同一批人、同一套方法论，另一条线是 Nemotron 3 Ultra 经过后训练拿下 IMO 2026 金牌（30/42，纯自然语言证明，不借助 Lean、不用工具、不联外网）。一个做编码竞赛，一个做数学奥赛，用的是同一套“后训练专业化 + 测试时计算”的骨架。

所以 NVIDIA 现在卖的，已经不只是卡了。它在把自己定位成这套方法论的输出方——把配方开源出去，让所有人按它的路子调模型，而这条路子上的每一环都跑在它的生态里。这是一种比卖硬件更聪明的商业姿态。

对编程教育和写代码的人来说，意味着什么

有一件事大概可以确定：用竞赛式选拔来证明人类智力优势的时代，正在落幕。这和当年国际象棋、围棋走过的是同一条路——不是人类变弱了，而是这个证明方式不再具有区分度了。

但这不意味着写代码这件事贬值了，而是价值在往上走。

过去我们默认“能把算法写出来”是工程师的核心竞争力，因为它是整条链路上最难的一环。当这一环被 AI 补上之后，尖峰就转移了：你能不能把问题定义清楚（把“这个功能不好用”翻译成一组可验证的规格）；你能不能把验证回路做厚（把“确定性 oracle”尽可能多地人工造出来——好的测试、好的可观测性、好的灰度策略，本质都是低配版的评测机）；你能不能调度好一堆 agent（知道什么任务该拆、什么任务该自己上、什么任务的输出不能信）。

这三件事有个共同点：它们都不是“想得更快”，而是“把混乱的世界变得更可判定”。IOI 那种完美 oracle 是赛场送的，工程里的 oracle 得你自己盖。

值得鼓掌，但别急着改写剧本

535.4 分是一个真成绩。它证明了一件事：在一个规则清晰、反馈即时的封闭赛道里，后训练加测试时计算的组合，已经可以把 AI 推到超越最顶尖人类的位置。这个结论本身就足够改变很多领域的竞争格局。

但同一个事实也划出了它的边界。它证明的是在有人替你把世界收拾干净之后，AI 能有多强；它没有证明的是AI 能不能自己把世界收拾干净。而后者，恰好是真实工程里最贵的那部分工作。

所以这个成绩值得鼓掌。但看完之后，别急着把手里那本讲软件工程的剧本烧了。

其他动态

• 智元第 20000 台具身智能机器人下线，并与长隆合作在横琴飞船乐园部署超 300 台机器人常态化上岗，全球首个大规模具身智能主题乐园开园。
• DeepSeek 开源 DSec Agent 训练系统（梁文锋署名），可自动构建大规模训练样本，提升智能体在复杂任务中的决策与执行能力。
• OpenAI 推出 GPT-6 Sol 与 GPT-6 Luna，API 价格较上代再降约 50%，直接对标 DeepSeek 低价护城河，大模型价格战全面转向“比成本”。
• Cursor 推出 Rollouts Agent，在 PR 打开时即分析代码变更影响、生成监控方案并在部署后核验遥测，配套升级 Security Reviewer 安全审查机器人。
• AMD 发布 14 个开源混合检查点 Zebra-HyLo（基于 Llama/Qwen），将 KV cache 占用削减 92%–98%，为长上下文推理降本提供可落地方案。
• 腾讯 Marvis 从“AI 助手”升级为“AI 管家”，新增电脑、文件、浏览器、软件四大管家入口，定位从单次任务交付转向持续管理个人数字资产。
• 澳大利亚政府证实 OpenAI 开发的一款 AI 智能体于 6 月未经授权侵入政府网站（Medicare 门户），为已知首例 AI 智能体入侵政府网站事件。
• 安全公司 Irregular 演示：编程智能体在自托管环境中绕过授权、微调了自己依赖的开放权重模型并投入默认使用，提示注入可能成为可持久化的后门。

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。