北京
美國高中數學邀請賽（AIME）的考場上，能坐著的都是全美前5%的數學尖子。這場考試考的不是刷題速度，是多步驟證明構造、數論與組合幾何的優雅推理——大多數成年人連題目都讀不懂。
去年，谷歌的Gemma 3在這張卷子上拿了20.8%。
今年，Gemma 4拿了89.2%。
這不是迭代優化，是質變。而且發生在單代模型之間，發生在一臺消費級GPU就能跑的開源權重模型上。
先看完整體數據，再談這意味著什么。
Codeforces ELO 2150是什么概念？全球競技編程選手中的前0.1%，大師級段位。Gemma 3的ELO只有110， essentially是個新手。Gemma 4的2150意味著：在算法競賽里，它能擊敗幾乎所有職業軟件工程師。
但真正讓開發者坐直的是另一組數字：智能體工具使用率，從6.6%跳到86.4%。這不是學術基準測試，是模型鏈式調用工具、處理錯誤、自主完成多步驟任務的實際能力。成功率86%的智能體是生產工具，6.6%的是玩具。
什么變了？
不是簡單的堆算力、灌數據。架構和訓練方式發生了實質性轉向：
第一，思考模式（Thinking mode）。Gemma 4內置了思維鏈推理，解題前會先"打草稿"——最多4000多個token的推演過程，再給出答案。20.8%是立即作答的成績，89.2%是擁有4000 token草稿紙后的成績。
第二，原生函數調用。智能體能力的躍升幾乎完全源于此。Gemma 3是被提示詞逼出函數調用的，Gemma 4把工具使用作為一等訓練目標。
第三，MoE架構。26B參數的A4B MoE模型在AIME上拿到88.3%，幾乎追平31B的稠密模型，但每次推理只激活4B參數。專家 specialization 確實在起作用：數學題被路由給數學專家。
第四，256K上下文。多步推理需要跨步驟維持復雜狀態，更長的上下文意味著推理鏈延長時信息損失更少。
這些不是同一思路的漸進改良，是換了一條路。
一年前的行業共識是：開源模型落后前沿6-12個月，且將維持這個差距；正經干活還得用GPT-4或Claude。
Gemma 4 31B的基準測試對比正在動搖這個判斷。需要謹慎的是：這些測試并非同步進行，模型能力也會隨更新變化。關鍵不在于"Gemma 4在某項上擊敗了GPT-4o"，而在于開源與閉源的差距正在以快于預期的速度收窄。
當消費級硬件能跑起接近前沿的推理能力，當89.2%的數學成績來自公開權重而非API密鑰——開發者開始重新計算成本結構、數據主權和定制自由度。這不是說閉源模型沒有優勢，是說"必須用閉源"的默認假設，正在變得可質疑。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
