IMO 42分满分刷屏后，小红书开源同系列模型！

智猩猩AI整理

编辑：金水

如果上个月你被"AI 首次在 IMO 国际数学奥林匹克拿下官方认证 42/42 满分"刷过屏，那背后那个模型到底怎么做到的，可能直到最近才有人讲清楚。

8 月 17 日，研究者 @GenAI_is_real（Chayenne Zhao）在 X 上发了一篇长文《dots3-note Preview: What Does an LLM Contestant Do to Take On the IMO?》。

从 Proof-Verify-Refine 循环、TEMPO 训练方法、自我评价机制一路拆到超长程 Agent 的推理挑战，把模型设计、强化学习和系统工程串成了一条完整线索。

紧接着，小红书 dots studio 官方账号转发了这篇文章。

并回应："长期推理不仅是一个模型问题，也是一个强化学习和系统问题。这正是我们希望在 dots3-note 预览版正式发布时能够引发的那种技术讨论。感谢您细致的解析！"

而这份讨论的主角，就是小红书旗下的 AI 实验室 dots.studio 在 Apache 2.0 许可下开源的dots3-note preview。

dots3 系列中第一个开放权重的版本，也是该系列目前最轻量的一员。

权重已同步上线 Hugging Face 与 ModelScope，社区追问了一个月，终于等来了它。

小红书做基础模型并不算新事。

此前 dots.llm1、dots.tts、FireRed 等一批项目都曾开源。

但这一次，公开资料指向的方向与过去不太一致，官方给出的定位，是「迈向真实世界长时程智能体的一个步骤」。

01

这次开源是

一个什么样的模型

dots3-note preview 是一个混合专家（MoE）模型，总参数 280B，每次推理只激活 16B。

原生上下文512K token、同时理解文本·视觉·语音三种模态，并且专门针对复杂推理和长程 Agent 任务做了优化。

视觉用 MoE ViT（7B/1.2B），音频用 800M 稠密编码器，多模态独立建模后由语言主干统一输出。

它是 dots3 系列的成员，而完整系列将由 note / jazz / aria三档组成，分别覆盖不同的任务复杂度、响应速度和计算成本。

note 是其中最轻量的一档。

换句话说，它走的是"把模型做精，而不是做大"的路线。

光看参数你可能没感觉，但官方给了一组横向对比：

在多项任务上，dots3-note 可以比肩甚至超过参数规模数倍于自身的大尺寸模型。

比如它面对的是 GLM 5.2（743B/39B）、Kimi K3（2.8T/104B）这一量级对手，激活参数却只有它们的零头。

评测覆盖的维度包括个人助理 Agent、编程与计算机使用、信息获取、复杂推理，以及多模态感知。

所以更准确的说法是，它不是一个又一个"答题机器"，而是一个面向"长程 Agent + 真实生活"的模型。

它的野心，是从封闭、可验证的单道题，走向开放、模糊、可能拖上几天几周的真实生活任务。

02

从「答题」，转向「长时程干活」

为什么这件事难？

因为过去的范式是"答题"：一道题、一个答案、对错分明。

可真实世界里的任务更像"干活"。

跨好几天、需求会变、环境在动，而且常常没有标准答案。

把模型从答题者训练成能长时程干活的 Agent，正是 dots3-note 想要解决的核心命题。

难点卡在训练上，长程任务一次探索要十几小时，传统 RL 等整条轨迹结束才给奖励，慢且难归因；

PPO 的 critic 用固定算力估计价值，不如 actor 会推理反思，复杂任务上估计不准。

dots studio 给出的解法是TEMPO（Test-time-scaled Value Estimation with Macro-step Policy Optimization）。

思路很巧妙，把一条很长的轨迹切成多个 macro-step，每个阶段包含多轮模型与环境的互动；

当一个阶段结束，让同一个 Agent 从"执行者"切换成"评价者"，通过推理和工具调用来估算"当前这个状态，未来还能拿多少回报"，并在轨迹结束之前就把这个评价变成训练信号。

训练过程中，模型既学"怎么行动"，也学"怎么评价自己"。

效果很直接，在 ARC-AGI-3 上，TEMPO 的平均得分比基础版本高 31.5%，比 GRPO 高20.6%，而且越到任务深水区，领先越明显。

在这个基础上，团队还强调递归自我评价（recursive self-critiquing）。

让模型在缺少外部奖励信号时，也能自己判断进展到了哪一步。

这被认为是从"可验证的长程任务"走向"模糊的真实生活任务"的关键，也是他们下一步的重点方向。

另一块是陌生环境在线学习，用数千个不依赖先验知识的新颖超长程环境，训练模型在测试时从探索中学习、更新记忆。

当任务长度明显超过上下文窗口，模型会逐渐学会主动生成对后续决策有用的记忆。

一句话总结这套方法论，评价比生成更简单，让模型学会给自己打分，长程强化学习才真正跑得动。

下文那个"放置骑士"的实测，会让你直观看到 critic 是怎么工作的。

03

实测表现如何

官方公布了一份自测成绩表，对比对象包括 Claude Opus 4.8、GPT-5.5、Kimi K3、GLM 5.2 与 DeepSeek V4 等模型。

结果呈现明显的分化。

在抽象推理与逻辑类任务上，dots3-note 表现突出。

上图是官方自测成绩，来源 dots.studio 官方 Hugging Face 模型页公开配图 。

ARC-AGI-2 得分为 81.39，高于 Claude Opus 4.8 的 72.1；在难度更高的 ARC-AGI-3 上得 6.9，Claude 为 1.5，GPT-5.5 为 0.4。IFBench 上得 80.4，高于 Claude 的 62.2。

然而在更接近真实工程的智能体编码任务上，它明显落后于第一梯队。

Terminal-Bench 2.1 上得 75.1，低于 Kimi K3 的 88.3 与 GLM 5.2 的 81；SWE-bench Pro 上 61，低于 Claude 的 69.2；Toolathlon 上 55.6，而 Kimi 为 76.5。

这一短板并未被否认。

上图是另一组官方自测成绩（多模态维度），来源 dots.studio 官方模型页公开配图 。

SemiAnalysis 的图表中，其 Terminal-Bench 得分仍高出图表中最优的美国开源模型 4.9 分，但与头部闭源模型的差距依然存在。

04

实测案例大赏

数学、代码这些目标清晰、结果可验证的场景，Agent 已经跑得很顺。

但 dots3-note 挑了一块难啃的骨头，真实生活里那些没有标准答案、需求还会变、能拖几小时甚至几天的任务。

它接过户型图和两款冰箱参数，算出墙面剩余空间后还主动提醒"到现场复尺确认"；

它参考 9 张界面图，自主选定 SwiftUI + RealityKit 方案，端到端写出 12 个 Swift 文件、1876 行代码，自建 Xcode 工程编译出 BUILD SUCCEEDED；

它没专门练过《杀戮尖塔 2》，却从战斗反馈里学机制、一路权衡玩到 33 层；

在 ARC-AGI-3 里它用 Self-Critiquing 把修正后的规则写进"记事本"，320 步解完全部 6 关。

在婚礼筹备、咖啡电商、全周期旅游这类模拟生活任务里，它跨阶段维护状态，并在机型、天气、航班变化后持续更新行程。

而在"放置骑士"这样的隐藏约束游戏里，critic 对两条轨迹给出明显不同的价值估计，正好呼应上节说的"评价比生成更简单"。

这些任务的共同点是：信息散在图里文里，用户自己都未必一次想清楚要什么，模型得边探索、边记新信息、边自我纠错，才能交付结果。

同一套能力，最终在 IMO 2026 上拿下官方认证 42/42 满分，分支版本递归生成证明，并用工具调用反复自我评估增强。

05

使用教程

模型已按 Apache 2.0协议开源，同时放出 BF16 与 FP8 两个权重版本，发布在 Hugging Face 与 ModelScope，模型结构也已提交至 Transformers，可直接加载。

pip install accelerate pillow torchcodec kernels==0.16.0 "transformers @ git+https://github.com/huggingface/transformers.git@refs/pull/47844/head"

想快速上手，最省事的是申请官方 API，入口在 dots studio 技术博客里，填表即可排队。

运行最小化本地推理示例：

print(processor.decode(outputs[0, inputs.input_ids.shape[1] :], skip_special_tokens=True))

如果打算自己部署，官方建议用 SGLang 或 vLLM，在单个 8 卡节点上跑 FP8 权重即可；

BF16 更吃显存，需按可用显存、并发和输入模态调整上下文长度。

更完整的部署参数（Transformers / SGLang / vLLM 三套方案）可参考官方 README。

06

总结

综合来看，本次开源的真正价值，不在于单项跑分的高低，也不在于参数规模的大小，而在于它首次将长时程智能体、多模态与完全开源三者结合在同一次发布中。

一家以内容社区为主业的公司，愿意将仍处探索阶段的成果以 Apache 2.0 许可整体公开，这一姿态本身构成了一个有讨论价值的信号。

长时程智能体能否最终跑通，目前尚无定论。

但方向的选择与开源的意愿，二者是相互独立的议题。

回看过往 dot 系列的开源记录，这一次发布延续了其一贯的开放策略。

至于这一步由谁先走、又如何走完，需要交由后续的独立复现与持续评测来回答。

关注+星标，获取AI前沿进展与优质开源项目