OpenAI 这次把手伸进了数学推理。8 月底他们在博客发了篇《Sharing AI Progress in Mathematics》,同步把代码、训练数据、微调 pipeline 全扔进了 github.com/openai/math。HN 上这个帖子拿到 216 分、160 条评论,算得上 OpenAI 难得一见的高互动开源动作。
OpenAI 这次公开了什么
打开仓库,目录结构长这样:
openai/math
├── data/ # 训练数据集 + 测试集
├── eval/ # 评测脚本
├── finetune/ # 微调 pipeline
├── inference/ # 推理代码
├── models/ # 模型 checkpoint 引用
└── README.md
不是只放推理脚本那种半开源。README 里写得很直接:数据、训练、评测、推理全链路都给。我翻了 issue 区,有人问能不能复现 GPT-5 的数学成绩,维护者的回答是 pipeline 公开,模型权重用的是 GPT-OSS-20B,跑完整套流程需要 24GB+ 显存。
关键文件两个:
- data/math_problems.jsonl —— 包含 75,000 道竞赛级数学题,涵盖 IMO、Putnam、AMC 题型
- eval/run_benchmark.py —— 标准化评测入口,支持自定义数据集
数据 license 是 Apache 2.0,代码也是。商业用没问题,改完闭源也行。
IMO 级题目怎么算解出来
先澄清一个事:这次评测的不是 GPT-5。
OpenAI 博客原文写的是 a combination of general-purpose models and specialized math tools,具体用的是 GPT-OSS-20B(也就是开源版)加上他们内部的 tool-use pipeline。在 IMO 2025 的 6 道题里,系统做对了 2 道,得分参考之前 Nature 论文那套评分标准大概是 28/42。
数字上不算炸裂,但有几个细节值得注意:
- 求解过程是端到端的,不是分步 prompt 拼接
- 评测时启用了形式化验证——模型给出解后,用 Lean 4 跑一遍证明,对不上就判错
- 对比对象是 DeepMind 的 AlphaProof(IMO 2024 拿了 28/42,闭源)和 NuminaMath 系列开源模型(开源榜单数学题大概 60-70% 正确率)
所以解出来这三个字在 OpenAI 的定义里是:形式化验证通过 + 评分达到银牌线。不算银牌及以上,但明显超过纯刷题模型。
HN 评论区在吵什么
216 分、160 条评论不是白来的。挑几条高赞:
@antirez(Salvatore Sanfilippo,Redis 作者):
"This is nice, but let's not confuse 'solves IMO problems' with 'AGI'. These are carefully curated competition problems with known solution structures. Real math research is a different beast."
核心争议:IMO 解出来 ≠ 数学推理强。竞赛题有套路,真实研究是开放问题。
@gradstudent_throwaway:
"OpenAI open-sources math stuff right when Anthropic and DeepMind are ahead in formal verification. Smells like PR, not strategy shift."
另一种声音:开源是为了抢叙事,不是真转向。
@matschaffer:
"The 'math reasoning' in these models is mostly brute-force search over proof trees. Lean verification is just a sanity check, not the actual reasoning step."
技术派质疑:所谓的推理本质是搜索加剪枝,不是真正的逻辑推理。
评论区整体氛围偏冷静,没人喊 AGI 来了,倒是技术细节讨论很密集。
为什么开源这件事本身更值得关注
OpenAI 几乎不这么干。
回顾一下:OpenAI 历史上同时放训练数据 + pipeline + 微调代码的开源项目,一只手数得过来。之前要么只放 inference 代码,要么放数据但藏着训练细节。这次 math 仓库把训练脚本、数据配比、超参配置全公开了。
几种可能的动机:
1. 对冲 DeepMind。AlphaProof 在 IMO 2024 拿 28/42 之后,DeepMind 在形式化数学这个赛道领先明显。OpenAI 需要一个我们也行 的叙事锚点,开源是低成本的方式。
2. 人才信号。数学推理研究者本来就稀缺,开源能吸引一波 PhD 投简历。
3. 监管前置。AI Safety 这块,放数学工具比放通用模型监管压力小,但能展示我们重视透明。
个人倾向第一种。OpenAI 用数学当锚点讲故事从 2023 年就开始了,这次换打法是 我开源,你开源了吗? 逼 DeepMind 也放点东西出来。
开发者能拿这玩意干嘛
实操角度说几句。
我 clone 了仓库试了下,基本流程是:
git clone https://github.com/openai/math.git
cd math
pip install -r requirements.txt
# 下载数据集(约 2.3GB)
python data/download.py
# 跑评测(需要 GPU)
python eval/run_benchmark.py --model gpt-oss-20b --dataset imo-2025
硬件要求 README 里写的是 A100 80GB 或等效算力。M2 Ultra 跑不动,别试。
能干嘛:
- 微调自己的数学模型。pipeline 已经写好,换 LoRA、加数据都行
- 拿来当评测基线。eval/ 目录下的脚本改改就能评测自己模型的数学能力
- 教学用。数据集按难度分级,适合做 AI 教育产品
不能干嘛:
- 不能直接部署到生产环境。推理 latency 高,优化得自己来
- 不能指望它解开放数学问题。IMO 级别的封闭题和真实研究差得远
编辑思考
这件事值得关注的点不是 OpenAI 又开源了,而是他们选了什么时机、什么形式。
时机:DeepMind AlphaProof 拿了 IMO 银牌之后半年,Anthropic 在形式化验证上也开始有动作。OpenAI 这时候放数学仓库,本质是在一个看起来不那么敏感的赛道抢叙事位置。
形式:Apache 2.0,商用友好。任何公司都能基于这套 pipeline 做产品,OpenAI 自己也能靠生态影响力赚钱而不是直接卖模型。这和 Llama 的打法相反——Meta 是真开源换市场份额,OpenAI 是开源换开发者心智。
我的判断:这不是战略转向,是一次精准的 PR + 人才招募动作。OpenAI 的核心商业模型没变,还是 API + ChatGPT 订阅。开源数学工具是成本最低的声望投资。
反共识的一点:多数评论把这次开源解读为 OpenAI 对社区友好,但更可能是对 DeepMind 的针对性动作——逼对手在形式化数学这个相对窄的赛道也放点东西出来,稀释 AlphaProof 的领先叙事。
和过去不同的地方:OpenAI 之前放的都是 inference-only 的小工具,这次连数据配比和微调 pipeline 都给了。这是第一次真正交底。对想复现数学模型的研究者来说,这是 2026 年最完整的公开资料。
不确定的地方:如果这套 pipeline 被社区魔改出意想不到的能力(比如有人基于它做了数学教育爆款产品),OpenAI 会欢迎还是收回去?这个目前看不出来。
参考来源:OpenAI 博客原文 · GitHub 仓库 · HN 讨论帖