继续领跑！Gemini 3 本周一发布，便开启了横扫各大基准测试之旅，频繁登上各种排行榜的榜首。

Gemini 3 不仅跑分领先，面对网友的各种刁钻实测也毫不拉胯。用现实证明了自己就是目前最强模型！这不，就在昨天，知名研究机构 Epoch AI 再添一力证 ——

• Gemini 3 Pro 在 FrontierMath 基准测试中创下新纪录：Tier 1-3 准确率达 38%，Tier 4 达 19%。

• 在综合多项基准测试的 Epoch 能力指数（ECI）中，Gemini 3 Pro 获得 154 分，超越了 GPT-5.1 此前保持的 151 分的最高纪录。

FrontierMath 是由 Epoch AI 联合众多职业数学家打造的一个高级数学基准。它由数百道原创、从未公开的难题构成，被设计成一块专门测量 AI 高阶数学推理能力的「试金石」。这些题目几乎覆盖现代数学的主要分支：从需要大量计算的数论、实分析，到高度抽象的代数几何、范畴论。普通一道题就足以让相关领域的研究者思考数小时甚至数天。

这些题目大概长这样，大家可以感受一下。

完整数据集包含 350 道题：其中 300 题构成 Tiers 1–3，难度大致对应从高年级本科到初级研究生水平。另外 50 题被归入极端困难的 Tier 4，接近乃至达到数学的前沿研究问题。

为便于社区实验，FrontierMath 只开放了少量公开子集，其余题目则严格保密，用于评测。

在评测时，模型必须为每道题提交一个 Python 函数 answer ()，返回整数（通常）或 SymPy 等 Python 对象，由系统自动运行与校验。

这一设计既允许模型调用代码深度推理，又用程序化判分确保结果客观可重复，使 FrontierMath 成为当前衡量 AI 数学前沿能力最严苛、也最具说服力的基准之一。

截至目前，FrontierMath 排行榜上的领先模型，都是由 Gemini 和 GPT 系列占据。

从「跑分最强」到「实战破题」

虽说 Gemini 3 确实很强，但只是一味的霸榜基准测试，还是差点意思。至少，缺少点说服力。还好，Gemini 3 很快就在实战中证明了自己。

就在昨天，数学大神陶哲轩发帖表示，他用 Gemini Deepthink 模式十分钟，便解决了埃尔德什问题#367 的关键证明！

为了更清楚地说明这个过程，我们先来简单了解一下埃尔德什问题#367。

简单说就是把每个整数拆成积木，凡是只出现 1 次的积木丢掉，只留下能成对出现、能拼成平方的那一部分，叫 B₂(n)。比如 12=2×2×3，只留 2×2，所以 B₂(12)=4。

现在看一小段连续整数 n,n+1,…,n+k-1，对每个数算出 B₂，再把这些 B₂全部相乘。埃尔德什问题#367 的问题是：不管这段连续整数多长，这个乘积是不是都不会比 n² 增长得更快？

也就是说：整数里「平方因子扎堆」的程度，天花板究竟在哪里？

为了更方便理解，我用最近最火的 Nano Banana Pro 画了张信息图。大家看看怎么样？

言归正传。关于这个问题，陶哲轩在帖子中给出了一条时间线。11 月 20 号，Wouter van Doorn 用 AI 提出了该问题第二部分的反证，他的论证基于一个还未被证明的同余恒等式。几个小时后，陶哲轩将这个不等式交给了 Gemini Deepthink。

只用了大概十分钟，Gemini Deepthink 便解决了这个证明。太夸张了！陶哲轩还附上了整个的论证过程。

论证地址： https://gemini.google.com/share/81a65aecfd70

看来这种问题对于 Gemini 3 还真算不上什么。随后，陶哲轩手动把证明转化为了一个更加基础的版本，花费了他半个小时的时间。两天后，Boris Alexeev 最终完成了这个证明的 Lean 形式化，耗时 2、3 个小时。

陶哲轩用 Gemini 3 来研究埃尔德什难题，厉害之处不只是「AI 超会算」。更重要的是：世界顶级数学家，真的把大模型当成工作伙伴了。

以后做数学，不再只是一个人苦苦推导。而是把枯燥的枚举、尝试、检验丢给 AI，人类集中精力抓核心思路、做关键判断。谁先学会和这类工具高效协作，谁就等于多了一个「超级合作者」。

数学之外的物理「试金石」

在登顶数学基准测试的同时，Gemini 也霸榜了一项最新的物理基准测试 ——CritPt。CritPt 的诞生基于研究者们开始追问一个问题：大模型真的能像物理学家那样，完整推进一场前沿研究吗？

其全称为 「Complex Research using Integrated Thinking – Physics Test」，要测的，正是 AI 从「像样回答」跨越到「真正推理」的那道临界线。目前已在 Artificial Analysis 平台上线。

与以往基于教科书或公开题库的物理题库不同，CritPt 是首个专门面向「未公开、真研究级」物理问题的大模型基准。

它由来自阿贡国家实验室、伊利诺伊大学厄巴纳-香槟分校等三十多家机构的五十余位活跃物理学者共同打造，涵盖凝聚态、量子、原子分子与光学、天体物理、高能物理等现代物理的十一大分支。

每道题目都像是交给一名优秀物理学博士新生的一次独立小课题：需要建模、推导、近似与跨领域联想，却又保证答案可机读、可自动严格判分。

CritPt 测试的挑战示例如下图所示。

不出意外，Gemini 3 Pro 再次霸榜该项物理研究测试。同样的，GPT-5.1 紧随其后。看来，这两模型还真是代表了当前最前沿的模型水平。

不过，虽然登顶了 CritPt，Gemini 3 Pro 的成绩也才有 9.1%，与满分表现还有些距离。

参考资料：

https://x.com/EpochAIResearch/status/1991945942174761050

https://x.com/ArtificialAnlys/status/1991913465968222555?s=20

https://x.com/kimmonismus/status/1991968861747339508?s=20

https://mathstodon.xyz/@tao/115591487350860999

https://mathstodon.xyz/@tao/115585571504291318

https://www.kaggle.com/competitions/ai-mathematical-olympiad-progress-prize-3/overview

本文来自微信公众号：新智元（ID：AI_era）