今天凌晨，小紅書終於是把IMO滿分奪金模型的同系列版本開源了，這個模型就是dots3-note preview。

和GPT-5.6、Claude Fable 5這樣的大參數模型不同，dots3-note preview是一個非常小非常輕量的模型。

2026年7月的時候，它的同系列模型，曾以42/42拿下IMO國際數學奧林匹克競賽官方認證的滿分金牌。是IMO官方評閱史上第一個滿分 AI，同年金牌線是29分，全球所有人類選手中，僅有7人獲得滿分。

和常規的benchmark不一樣，IMO的賽題都是保密的，無法提前針對性訓練，能拿滿分就是真有實力。

有意思的地方是，它沒有把IMO當賣點，反而把重點放在了「生活裏沒有標準答案，但有真實任務」上。

01

小模型辦大事，靠譜嗎？

dots3-note preview是dots3系列裏最輕的一個，總參280B，激活只有16B，512K上下文。

在dots3-note preview之前，輕量模型跟Agent之間有一道鴻溝。無論是技術社區，還是大衆媒體，都普遍認為Agent只屬於萬億參數的巨無霸模型。

因為參數量本身就代表了模型的知識儲備，這是無可厚非的。不過參數量多少，並不等於完成任務的效果。

結果就是dots3-note preview甚至只用了那些超大模型成本的零頭，就完成了相同的任務。

能做到這些，主要在於dots3-note preview「解題」的思路很有意思。它是輕量模型，所以不可能和別的模型比肌肉、硬碰硬。於是dots3-note preview走了一個很「不AI的方法」，整體的運行邏輯更像是我們小時候刷考試題。

把試卷的每道題都單獨拎出來，一道題一道題地看，遇到不會的題就翻開書看一眼，看明白了再做下一道題。這樣下來，一個完整、複雜的任務，就被分解成了一道又一道熟悉的題，整個任務便迎刃而解。

從多項主流benchmark數據來看，在多項推理及智能體任務上，dots3-note preview的得分甚至超過了參數規模數倍於自身的大尺寸模型，視覺能力在同尺寸區間表現突出。

dots3-note preview最大的優勢體現在「個人智能體、複雜推理與從環境中學習解決長程問題」上，相關訓練方法創新已在技術博客中對應展開。

還有一點，在解決「日常生活」中的難題時，往往追求的並不是誰性能上限更高，而是誰用起來更方便。就像雨傘一樣，大模型就像是超大的庭院傘，覆蓋面積又大，防曬防雨效果又好，可是相較於日常出行，隨手能揣在包裏的摺疊傘才更實用。

這一年有一個很明顯的變化，大模型能力的敘事主線不再是「答對一道題」了，反而是比誰更便宜地「完成一件事」。

數學、代碼、科學和工程之所以是現階段最熱門的話題，主要是因為它們評分標準比較清晰，模型效果如何，可以被verifier判斷，訓練系統也因此拿到清晰的獎勵信號（reward signal）。

靠着強化學習、test-time scaling和更長的rollout，模型逐漸學會規劃、執行、檢查、修正。

但問題在於，生活並沒有那麼理性，假如AI想要走進人們的現實生活，它需要一套完全不同的評判標準。

現實生活裏碰到的問題，很難像數學題那樣明確地區分出對與錯。比如結婚、旅行這樣的經歷，就沒辦法給出直接明瞭的判斷。

所以諸如此類的long-horizon RL任務，它的核心瓶頸，從來不是把rollout過程拉長，而是在獎勵模糊、評價主觀。需要一套標準，在外部狀態持續變化的任務裏，建立可擴展的自我評價和學習信號。

小紅書dots實驗室這次開源的dots3-note preview，本質上就是在做這件事。

這版模型的訓練非常強調self-critiquing（自我評價），並提出了TEMPO（Test-time-scaled Value Estimation with Macro-step Policy Optimization）。

自我評價解決的，是「信號來得太晚」的問題。

在訓練階段，自我批評能為長時間rollout的中間狀態，提供更可擴展的value和獎勵信號，讓模型不再完全依賴可能幾十小時後纔到來的終局反饋。

到了推理和執行階段，這套能力又變成一個類似於Harness的持續循環。它會先讓模型觀察環境，然後評價當前的進展。根據評價結果重新規劃，最後採取行動，完成整個循環後「自我評價」將再次啓動評估。

模型會主動獲取信息、理解環境變化、評估任務進度、調整計劃，再用工具或代碼跟環境交互。

就像考試一樣，以前是你做完所有的題目，把試卷交上去，老師判完卷子給你發下來，你才知道你哪裏做錯了。但是有了「自我評價」之後，你每做一道題，都能立刻知道是錯了還是對了。

但是光有「自我評價」不夠，就像我們拍蚊子，明明眼睛能看到蚊子的飛行軌跡，可是到手拍的時候，卻發現自己很難精準拍上。

於是小紅書dots實驗室又提出了TEMPO，它想解決的，正是「評價跟不上行動」這個問題。

TEMPO的全稱是Test-time-scaled Value Estimation with Macro-step Policy Optimization（測試時擴展的價值估計 + 宏步策略優化）。

它的核心邏輯是通過剛纔提到的「自我評價」來進行超長程任務的強化學習。

具體來講，TEMPO把一條可能持續幾十小時的軌跡，切成若干個macro-step，每個macro-step裏模型和環境進行多輪交互。

階段結束時，同一個模型從actor切換成critic，通過推理、工具調用和test-time scaling，估算當前狀態的預期剩餘回報，為還沒走完的軌跡構造訓練信號。

actor和critic共享完全相同的參數，所以無論是上場做事，還是停下來評價對錯，都是同一個模型自己完成的，就像運動員跑步的時候自己給自己掐秒錶一樣。

所以訓練不只是教它怎麼行動，也在教它怎麼把自己評準：評得越準，訓練信號越可靠，那就會讓學習的過程越來越穩。

相比之下，依賴終局獎勵的傳統範式，一條rollout幾十小時，信號來得晚，還很難做信用分配。

TEMPO訓練的模型，不僅在測試時評估指標上更好，而且因為它能優化到很靠後的探索步驟，agent不會像基線方法那樣，在高輪數狀態下分數不再提升。

目前，這套機制已經初見成效。7月的IMO 2026上，基於dots3-note preview分支版本的模型，在推理階段同時負責生成proof，並通過工具調用對自己生成的proof做迭代式自我評估，最終拿下IMO 2026官方認證的滿分金牌。

當然，如果你感興趣，還可以自己去體驗一把。

官方技術博客: https://studio.dots.ai/dots/dots3-zh.html

Huggingface: https://huggingface.co/dots-studio/dots3-note-prev

Github:  https://github.com/studio-dots-ai/dots3-note-prev

02

從《殺戮尖塔2》再到「斬殺線」

現實生活中常見的問題，往往都是持續變化的，尤其像是天氣、堵車這些臨時變更，不可能會有人提前打跟模型好招呼，這就使得，AI的隨機應變、臨場發揮能力，要遠比背了多少本書更重要。

dots3-note preview在這類能力上最直觀的展示，是《殺戮尖塔2》。此前，模型從未訓練過該遊戲，連類似環境都沒見過。但視頻裏能看到，它靠持續探索從環境裏學習，比如遊戲的這張卡有什麼作用，那張卡又能打多少傷害。

一開始沒有規則，也不會告訴模型如何才能通關，dots3-note preview只能一點一點摸索，先假設、再嘗試、再驗證，把假設寫進自己的memory，等到下次做決策的時候再拿出來用。

視頻中顯示，通過自己的摸索，模型也是一口氣玩到了33關。在一個完全陌生的環境裏，它證明了「自主學習」這件事本身能成立，而不是只會背題。

完全通過上下文去學習，也是ARC-AGI 3這個benchmark想測的東西。

ARC-AGI 3是ARC Prize在2026年推出的測試，重點從以前benchmark常見的靜態推理，變成了看AI能不能像人一樣在陌生環境裏自學，先假設通關條件，嘗試通關，驗證假設，假設不準就自我批評、修正。

舉個簡單例子，我們在瀏覽網頁的時候，偶爾會有小彈窗遮擋視線。我們通常的做法是第一時間找到這個彈窗上的X按鈕，來關掉彈窗。

ARC-AGI 3裏面也有類似的試題，關卡會出現網格內的遮擋色塊（類似彈窗擋住可交互區域），必須先點擊對應位置消除這塊遮擋，才能繼續完成關卡。

簡單來說，ARC-AGI 3就是一個專門為「折騰」模型而生的排行榜，上面每一道題，全都是現實生活中真實經歷過的。

dots3-note preview在公開評測上已經和opus4.8、gpt-5.5等閉源接近。

然而正如前文所提到的，現在已經不流行比上限了，現在比的是在完成任務的前提下，單位智能的成本。

最近有個詞很火，叫做「DeepSeek斬殺線」。指的正是此事。

dots3-note preview在ARC-AGI 3上也有，那就是在500美元的成本預算內，dots3-note preview是表現最好的那一個。

圖源：dots實驗室官方技術博客

而且這次開源的，不只是模型本身。為了讓社區能復現、能衡量這類能力，dots團隊還同步開源了兩個面向真實生活的benchmark，分別為VibeSearchBench和VibeLifeBench。

為什麼要把這兩個 benchmark 單獨拿出來說？因為在「真實生活的長程任務」這件事上，過去沒有人給過一把統一的尺子。dots 團隊只能先自己搭一套複雜場景模擬：覆蓋出行、就醫、採購、履約、社交這些真實服務，每個場景都帶後端狀態機、模擬時間線和一堆可調用工具。為了讓社區也能復現、也能衡量，他們乾脆把這套評測標準本身開源了出來。

VibeSearchBench考的是「意圖逐步披露條件下的多輪搜索」，共20個領域、200項任務。每項任務由一個模糊的初始請求和一個persona驅動的用戶模擬器構成。

用戶一開始根本不說清楚自己要什麼，在多輪對話裏會把約束、條件、需求一點點放出來。Agent可以用search、visit、code 三種動作，去搜索、訪問頁面、寫代碼。最後把模型預測出的知識圖譜和標準答案做節點與三聯體匹配，就是本次搜索的最終得分，核心指標是Triplet F1。

VibeLifeBench考的是「非靜態環境下的跨階段任務執行」，10個領域、20項任務，每項橫跨20到30個階段，帶模擬時間線，覆蓋大量真實服務環境。但是這個benchmark不是靜態的，用戶消息、業務通知、後端狀態的變化，都是按階段發生的，並且不一定會全同時發生。

03

小紅書dots實驗室的願景

聊到最後，其實dots實驗室想講的，是下一代的Agent，要走進現實生活的。

比起更會答題，dots實驗室希望下一代的Agent，應該是一個真正長期服務每個人的AI。

它能靠多模態能力感知真實世界，又能通過模型能力和Agent能力做複雜推理，最後調用工具解決問題。更重要的是，它需要具備主動性和持續學習能力，會隨着世界的變化、對用戶理解的加深，不斷進化。

dots實驗室在官網（studio.dots.ai）這樣寫道，創前沿智能，解生活之問。讓前沿智能服務於日常生活。從預訓練、多模態到後訓練、AI Infra，落腳點始終是「生活」本身。

那為什麼偏偏從「真實生活長程任務」切入呢？

因為小紅書本身就是圍繞真實的生活內容分享建立的。這裏面也有參數，比如審美、預算、忌口、甚至還有帶不帶娃等等。

這些事說不清對錯，又多模態、動態、主觀。

而dots實驗室想解決的，恰恰正是這些生活任務。

小紅書自己就長在這些場景裏，旅行、婚禮、開店、選房、養娃……每天有無數用戶在這裏分享真實偏好和真實經歷。所以這不是繞開誰的主戰場，而是從自己最熟悉、也最複雜的地方出發，做一件別人還沒做明白的事。

dots3-note preview是堅實的一步，方向立住了，剩下的是耐心。

它把方法、評測和思考，一起攤開在技術社區面前。至於最後AI能不能走進現實生活，接下來，不只小紅書一家的事。