DeepSeek发布数学模型DeepSeekMath-V2，实现自我验证推理

昨天有一个有趣的事，真的太魔幻了，感觉剧本都不会写的这么巧。 就在昨天晚上，DeepSeek悄悄地上了一个新模型，DeepSeekMath-V2。 一个基于DeepSeek-V3.2-Exp-Base构建的685B的数学专用模型。 这个模型特殊的点，说人话就是，它不仅能给出答案，还能自己检查自己的解题步骤，自己给自己挑错，自己跟自己辩论，直到它自己觉得自己整个推理过程，完美无瑕。 而且，能力上，达到了奥林匹克金牌水平。 并在 IMO 2025（解决了 5/6 道题）和 Putnam 2024（接近满分 118/120 分）等竞赛中表现出色。 同时，按照DeepSeek传统，直接开源+送论文。 论文名字很直接：《DeepSeekMath-V2: Towards Self-Verifiable Mathematical Reasoning》。 而我之所以说魔幻的原因在于。 就在2天前，大洋彼岸，被誉为AI教父之一、前OpenAI首席科学家Ilya Sutskever，刚刚出来发声，录了一期播客。 在这期播客里，他抛出了一个非常有意思的担忧。 就是，现在的AI模型很奇怪。 一方面，它们在各种评测集上刷出了逆天的分数，什么考试、什么竞赛，都能名列前茅。 但另一方面，你把它扔到真实世界里去解决实际问题，它又蠢得让人想砸电脑。 他举了个例子，特别写实： 就是你让AI帮你修一个代码里的bug A，它说“好嘞”，然后给你引入了一个新的bug B。 你再让它修bug B，它又说“没问题”，然后转身就把bug A又给改回来了。 就这么来来回回，修了半天修不好，我相信大家玩vibe coding的人，都遇到过这个问题。 Ilya自己一直在思考，为什么会这样？为什么评测表现和真实世界表现之间，有这么大的鸿沟？ 他在这个播客里面，给出了一个非常深刻的类比。 他说，现在的AI模型，就像一个特长生A，这个学生的目标呢，就是成为最牛逼的算法竞赛选手。 于是他花了一万个小时，刷遍了所有竞赛题，背熟了所有解题技巧。最后，他确实成了这个领域的王者。 但还有一个通才生B。他对竞赛也感兴趣，但只花了100个小时去练习，成绩也不错。 但他把更多的时间，花在了理解世界、广泛阅读、与人交流这些务虚的事情上。 Ilya问：这两个学生，谁未来的职业发展会更好？ 答案不言而喻，是学生B。 因为学生A的强大，是一种应试的强大。 他的所有能力，都是为了在评测中拿高分这个单一目标而优化的。这种训练，就像把一个人的视野强行压缩成一根针，他在这根针里能看到原子，但在针以外的世界，他是个盲人。 而学生B，他拥有一种更可贵的东西，Ilya也不知道该怎么描述，所以他的原话就是“那股劲儿”（the "it"），一种更深刻的、更具泛化性的理解力。 所以，最后就会导致，经过重度 RL 对齐的模型往往显得更笨或更缺乏创造力，RL强行让 AI 去讨好人类的某个单一指标，却可能牺牲了它原本宽广的通用智力。 其实最近一些大模型，比如GPT-5、Gemini 3 Pro在写作能力上的下降，我觉得就能看出一些端倪了。 Ilya的这段话，还是引起了非常大的反响的。 然后，就在这个问题还余音绕梁的时候，DeepSeekMath-V2来了。 直接说，我搞定了。 特别有意思。 可以说，DeepSeekMath-V2，已经开始解决Ilya的一些担忧了。 在讲DeepSeekMath-V2之前，我觉得还是先有必要，来聊聊以前的AI是怎么做数学题的。超级简单，也超级粗暴。 就是，结果导向。 就像一个公司的销售，老板只看你月底的业绩报表，不管你这单子是怎么签下来的。你用尽九牛二虎之力，还是用了一些肮脏的手段，还是瞎猫碰上死耗子，无所谓，只要最后那个数字是对的，模型就能得到奖励。 这种模式，在做一些简单的计算题时，问题不大。 但一旦涉及到复杂的证明题，就彻底废了。 我相信大家上学时肯定也都被数学老师折磨过，我自己最常听到的一句话，就是。。。 “答题是看过程的！你的过程呢？！” 一道大题15分，答案可能只占2分，剩下13分，全在过程里。 你就算最后答案蒙对了，过程一塌糊涂，照样拉跨。 因为数学这门学科，从本质上来说，它追求的就不是那个最终的答案，而是那个无懈可击、一步一响的逻辑链。 是从公理这个地基开始，一砖一瓦，盖起一座真理的大厦。 中间任何一环有瑕疵，整个大厦都会崩塌。 之前的AI，就是这样的，你让他写出答案，他可能还真的没啥问题，但是你让他写证明过程，那就完特么蛋了，经常给你生编硬造。 甚至有时候，它给你的最终答案，是靠着某个计算失误+另一个逻辑错误负负得正，最后歪打正着搞出来的。 这就是过去AI的通病，你说他对了吧，他也真对了，但是你要是跟他在过程中较个真吧，那也经常错的离谱。 本质上，还是模型没有反思能力。 虽然模型有所谓的思维链，但是这个思维链，或者说这个逻辑，也分几个级别。 第一个级别，我称之为Prompt级cosplay反思。 就是你跟他说你要好好想一想，其实就是多写几句CoT，训练时根本没强约束它真的检查过，这个就不说了，纯文案。 第二个级别，就是OpenAI o1、DeepSeek R1等等，有自己的思维链的，这种其实可以称为，答案导向的反思。 这类所谓的“reasoning model”的典型套路其实就是，用RL来奖励最后答案对不对，可以允许模型在中间多想、多分支、自己评估几个方案，再选一个。 这套模式你不能说他不行，确实很强，通过奖励最终答案的正确，一年内，确实把AIME、HMMT这种只看答案的竞赛打满分。 但有两个硬伤。 1. 正确答案 ≠ 推理真的对，中间瞎算、走错路、蒙对都算赢。 2. 像定理证明这种题，根本没有单一数值答案可以奖励，所以也就容易拉了。 而第三个级别，就是这次的DeepSeekMath-V2，真正把过程当任务的反思。 这个点，也是源于DeepSeek对人的观察。 DeepSeekMath-V2的做法，也很有意思，甚至有点精神分裂的哲学味。 他们其实搞了两个AI出来。 一个叫生成器（Generator）。这哥们儿就是那个天马行空、才华横溢的学生。你把题给他，他奋笔疾书，洋洋洒洒，给你写出一套解题过程。 另一个叫验证器（Verifier）。这哥们儿是个极其刻薄、吹毛求疵、毫无感情的老师。生成器写完的每一个字，都要经过它的审判。它就像拿着放大镜一样，逐行检查，寻找任何可能的逻辑漏洞、计算错误、概念不清。 然后，他们让验证器去当生成器的老师。生成器每写完一步，验证器就在旁边打分： “你这里逻辑不严谨，扣分。”，“你这个公式用错了，扣分。”，“你这里跳步了，扣分。” “生成器”为了得到老师也就是验证器的表扬，就必须不断地修改、完善自己的证明过程。 它慢慢地就学会了，不能只图快，每一步都得想清楚，都得有理有据。 经过这种反复的自我搏斗，AI就不再是一个只会输出答案的机器了。 它开始拥有了一种真正的最宝贵的能力： “反思”。 这个能力，也让DeepSeekMath-V2在证明题的能力上，薄纱同行。 它不再盲目地相信自己的第一直觉。 在这个过程中，它学会了怀疑，学会了审视，学会了批判性思维。 而且，这还没完。 DeepSeek觉得，这还不够精神分裂。所以，他们又来了一个更狠的： 元验证（Meta-Verification）。 大概就是，就是他们又搞了个总教导主任，这个主任不去看学生的卷子，而是去看老师批改的卷子有没有问题。 毕竟有时候，验证器这个老师也会犯错。 比如它可能会冤枉一个好学生，把对的步骤判成错的，或者自己老眼昏花，没发现学生隐藏得很深的错误。 元验证器的作用，就是确保验证器的每一次评判都是公平、准确、有效的。 这套组合拳下来，就形成了一个极其强大的正向循环： 1. 生成器努力写出更完美的证明。 2. 验证器在元验证器的监督下，变得越来越准确。 3. 更强的验证器又能反过来训练出更强的生成器。 左脚蹬右脚，螺旋登天。 最终，他们把这两种能力，合二为一，注入到了同一个AI的身体里。于是，DeepSeekMath-V2诞生了。 再看看它的成绩。 IMO（国际数学奥林匹克竞赛）：这是全世界高中生的最高殿堂。DeepSeekMath-V2在2025年的模拟赛里，6道题解出了5道。金牌水平。 CMO（中国数学奥林匹克竞赛）：中国最顶尖的数学竞赛。它也拿到了金牌水平的成绩。 最恐怖的是这个：Putnam Competition（普特南数学竞赛）。 这个竞赛，是全世界大学生数学竞赛里，公认的地狱难度。 它的题目，出的极其刁钻、深刻，因为难度过大，所以中位数得分通常为0或1分，而满分，是120分。。。。 说实话，在这种竞赛里，能考个十几二十分，就已经是人中龙凤了。 而去年的人类最高分，是90分。 而DeepSeekMath-V2的得分。 118分。 在12道题里，它完整、严谨地解出了11道，还有1道也拿到了大部分分数。 太离谱了。 这就是知道学会反思，学会过程以后的，真正的AI的实力。 不知道为什么，让我想起了Alpha GO。。。 DeepSeek这篇论文，实际上是给Ilya的问题，提供了一个可能的答案： 也许，要弥合评测与现实的鸿沟，我们不应该再给AI增加更多的外部RL环境去刷题，而是应该教会AI一种向内看的能力。 让它从追求让别人满意（获得奖励），转变为追求让自己满意（逻辑自洽）。 王阳明的心学，其实很早就提过这个观点。 心即理，真理不在外部，而在我们每个人的内心。 真正的学习，不是向外寻求标准答案，而是向内致良知，达到一种内在的和谐与通透。 DeepSeekMath-V2，就是AI领域的一次非常有趣的，“致良知”。 有的时候我经常在想，人类的理性，到底是什么？ 康德觉得，理性是人类为自然立法的能力。我们通过先验的逻辑框架去理解、整理这个混乱的世界。 我感觉，DeepSeekMath-V2，有一点像。 过去我们总觉得，AI的智能和人类的智能，隔着一道鸿沟。 我们的智能里，有灵感、有顿悟、有情感、有那些说不清道不明的“Aha Moment”。 可也许，人类的灵感，只是我们大脑在算力不足的情况下，为了走捷径而产生的一种逻辑的跳跃。 而AI，正在用我们无法想象的算力，把我们跳过的每一步，都踏踏实实地走一遍。 它走的，是一条更慢、更笨，但可能也更接近本质的道路。 我们，这些习惯于跳跃的物种，站在AI这条坚实的逻辑长梯面前，难免会感到一丝震撼，和一丝……迷茫。 那我们未来的位置。 又在哪里呢？