今天凌晨，小红书终于是把IMO满分夺金模型的同系列版本开源了，这个模型就是dots3-note preview。

和GPT-5.6、Claude Fable 5这样的大参数模型不同，dots3-note preview是一个非常小非常轻量的模型。

2026年7月的时候，它的同系列模型，曾以42/42拿下IMO国际数学奥林匹克竞赛官方认证的满分金牌。是IMO官方评阅史上第一个满分 AI，同年金牌线是29分，全球所有人类选手中，仅有7人获得满分。

和常规的benchmark不一样，IMO的赛题都是保密的，无法提前针对性训练，能拿满分就是真有实力。

有意思的地方是，它没有把IMO当卖点，反而把重点放在了“生活里没有标准答案，但有真实任务”上。

01

小模型办大事，靠谱吗？

dots3-note preview是dots3系列里最轻的一个，总参280B，激活只有16B，512K上下文。

在dots3-note preview之前，轻量模型跟Agent之间有一道鸿沟。无论是技术社区，还是大众媒体，都普遍认为Agent只属于万亿参数的巨无霸模型。

因为参数量本身就代表了模型的知识储备，这是无可厚非的。不过参数量多少，并不等于完成任务的效果。

结果就是dots3-note preview甚至只用了那些超大模型成本的零头，就完成了相同的任务。

能做到这些，主要在于dots3-note preview“解题”的思路很有意思。它是轻量模型，所以不可能和别的模型比肌肉、硬碰硬。于是dots3-note preview走了一个很“不AI的方法”，整体的运行逻辑更像是我们小时候刷考试题。

把试卷的每道题都单独拎出来，一道题一道题地看，遇到不会的题就翻开书看一眼，看明白了再做下一道题。这样下来，一个完整、复杂的任务，就被分解成了一道又一道熟悉的题，整个任务便迎刃而解。

从多项主流benchmark数据来看，在多项推理及智能体任务上，dots3-note preview的得分甚至超过了参数规模数倍于自身的大尺寸模型，视觉能力在同尺寸区间表现突出。

dots3-note preview最大的优势体现在“个人智能体、复杂推理与从环境中学习解决长程问题”上，相关训练方法创新已在技术博客中对应展开。

还有一点，在解决“日常生活”中的难题时，往往追求的并不是谁性能上限更高，而是谁用起来更方便。就像雨伞一样，大模型就像是超大的庭院伞，覆盖面积又大，防晒防雨效果又好，可是相较于日常出行，随手能揣在包里的折叠伞才更实用。

这一年有一个很明显的变化，大模型能力的叙事主线不再是“答对一道题”了，反而是比谁更便宜地“完成一件事”。

数学、代码、科学和工程之所以是现阶段最热门的话题，主要是因为它们评分标准比较清晰，模型效果如何，可以被verifier判断，训练系统也因此拿到清晰的奖励信号（reward signal）。

靠着强化学习、test-time scaling和更长的rollout，模型逐渐学会规划、执行、检查、修正。

但问题在于，生活并没有那么理性，假如AI想要走进人们的现实生活，它需要一套完全不同的评判标准。

现实生活里碰到的问题，很难像数学题那样明确地区分出对与错。比如结婚、旅行这样的经历，就没办法给出直接明了的判断。

所以诸如此类的long-horizon RL任务，它的核心瓶颈，从来不是把rollout过程拉长，而是在奖励模糊、评价主观。需要一套标准，在外部状态持续变化的任务里，建立可扩展的自我评价和学习信号。

小红书dots实验室这次开源的dots3-note preview，本质上就是在做这件事。

这版模型的训练非常强调self-critiquing（自我评价），并提出了TEMPO（Test-time-scaled Value Estimation with Macro-step Policy Optimization）。

自我评价解决的，是“信号来得太晚”的问题。

在训练阶段，自我批评能为长时间rollout的中间状态，提供更可扩展的value和奖励信号，让模型不再完全依赖可能几十小时后才到来的终局反馈。

到了推理和执行阶段，这套能力又变成一个类似于Harness的持续循环。它会先让模型观察环境，然后评价当前的进展。根据评价结果重新规划，最后采取行动，完成整个循环后“自我评价”将再次启动评估。

模型会主动获取信息、理解环境变化、评估任务进度、调整计划，再用工具或代码跟环境交互。

就像考试一样，以前是你做完所有的题目，把试卷交上去，老师判完卷子给你发下来，你才知道你哪里做错了。但是有了“自我评价”之后，你每做一道题，都能立刻知道是错了还是对了。

但是光有“自我评价”不够，就像我们拍蚊子，明明眼睛能看到蚊子的飞行轨迹，可是到手拍的时候，却发现自己很难精准拍上。

于是小红书dots实验室又提出了TEMPO，它想解决的，正是“评价跟不上行动”这个问题。

TEMPO的全称是Test-time-scaled Value Estimation with Macro-step Policy Optimization（测试时扩展的价值估计 + 宏步策略优化）。

它的核心逻辑是通过刚才提到的“自我评价”来进行超长程任务的强化学习。

具体来讲，TEMPO把一条可能持续几十小时的轨迹，切成若干个macro-step，每个macro-step里模型和环境进行多轮交互。

阶段结束时，同一个模型从actor切换成critic，通过推理、工具调用和test-time scaling，估算当前状态的预期剩余回报，为还没走完的轨迹构造训练信号。

actor和critic共享完全相同的参数，所以无论是上场做事，还是停下来评价对错，都是同一个模型自己完成的，就像运动员跑步的时候自己给自己掐秒表一样。

所以训练不只是教它怎么行动，也在教它怎么把自己评准：评得越准，训练信号越可靠，那就会让学习的过程越来越稳。

相比之下，依赖终局奖励的传统范式，一条rollout几十小时，信号来得晚，还很难做信用分配。

TEMPO训练的模型，不仅在测试时评估指标上更好，而且因为它能优化到很靠后的探索步骤，agent不会像基线方法那样，在高轮数状态下分数不再提升。

目前，这套机制已经初见成效。7月的IMO 2026上，基于dots3-note preview分支版本的模型，在推理阶段同时负责生成proof，并通过工具调用对自己生成的proof做迭代式自我评估，最终拿下IMO 2026官方认证的满分金牌。

当然，如果你感兴趣，还可以自己去体验一把。

官方技术博客: 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

从《杀戮尖塔2》再到“斩杀线”

现实生活中常见的问题，往往都是持续变化的，尤其像是天气、堵车这些临时变更，不可能会有人提前打跟模型好招呼，这就使得，AI的随机应变、临场发挥能力，要远比背了多少本书更重要。

dots3-note preview在这类能力上最直观的展示，是《杀戮尖塔2》。此前，模型从未训练过该游戏，连类似环境都没见过。但视频里能看到，它靠持续探索从环境里学习，比如游戏的这张卡有什么作用，那张卡又能打多少伤害。

一开始没有规则，也不会告诉模型如何才能通关，dots3-note preview只能一点一点摸索，先假设、再尝试、再验证，把假设写进自己的memory，等到下次做决策的时候再拿出来用。

视频中显示，通过自己的摸索，模型也是一口气玩到了33关。在一个完全陌生的环境里，它证明了“自主学习”这件事本身能成立，而不是只会背题。

完全通过上下文去学习，也是ARC-AGI 3这个benchmark想测的东西。

ARC-AGI 3是ARC Prize在2026年推出的测试，重点从以前benchmark常见的静态推理，变成了看AI能不能像人一样在陌生环境里自学，先假设通关条件，尝试通关，验证假设，假设不准就自我批评、修正。

举个简单例子，我们在浏览网页的时候，偶尔会有小弹窗遮挡视线。我们通常的做法是第一时间找到这个弹窗上的X按钮，来关掉弹窗。

ARC-AGI 3里面也有类似的试题，关卡会出现网格内的遮挡色块（类似弹窗挡住可交互区域），必须先点击对应位置消除这块遮挡，才能继续完成关卡。

简单来说，ARC-AGI 3就是一个专门为“折腾”模型而生的榜单，上面每一道题，全都是现实生活中真实经历过的。

dots3-note preview在公开评测上已经和opus4.8、gpt-5.5等闭源接近。

然而正如前文所提到的，现在已经不流行比上限了，现在比的是在完成任务的前提下，单位智能的成本。

最近有个词很火，叫做“DeepSeek斩杀线”。指的正是此事。

dots3-note preview在ARC-AGI 3上也有，那就是在500美元的成本预算内，dots3-note preview是表现最好的那一个。

图源：dots实验室官方技术博客

而且这次开源的，不只是模型本身。为了让社区能复现、能衡量这类能力，dots团队还同步开源了两个面向真实生活的benchmark，分别为VibeSearchBench和VibeLifeBench。

为什么要把这两个 benchmark 单独拿出来说？因为在“真实生活的长程任务”这件事上，过去没有人给过一把统一的尺子。dots 团队只能先自己搭一套复杂场景模拟：覆盖出行、就医、采购、履约、社交这些真实服务，每个场景都带后端状态机、模拟时间线和一堆可调用工具。为了让社区也能复现、也能衡量，他们干脆把这套评测标准本身开源了出来。

VibeSearchBench考的是“意图逐步披露条件下的多轮搜索”，共20个领域、200项任务。每项任务由一个模糊的初始请求和一个persona驱动的用户模拟器构成。

用户一开始根本不说清楚自己要什么，在多轮对话里会把约束、条件、需求一点点放出来。Agent可以用search、visit、code 三种动作，去搜索、访问页面、写代码。最后把模型预测出的知识图谱和标准答案做节点与三联体匹配，就是本次搜索的最终得分，核心指标是Triplet F1。

VibeLifeBench考的是“非静态环境下的跨阶段任务执行”，10个领域、20项任务，每项横跨20到30个阶段，带模拟时间线，覆盖大量真实服务环境。但是这个benchmark不是静态的，用户消息、业务通知、后端状态的变化，都是按阶段发生的，并且不一定会全同时发生。

03

小红书dots实验室的愿景

聊到最后，其实dots实验室想讲的，是下一代的Agent，要走进现实生活的。

比起更会答题，dots实验室希望下一代的Agent，应该是一个真正长期服务每个人的AI。

它能靠多模态能力感知真实世界，又能通过模型能力和Agent能力做复杂推理，最后调用工具解决问题。更重要的是，它需要具备主动性和持续学习能力，会随着世界的变化、对用户理解的加深，不断进化。

dots实验室在官网（studio.dots.ai）这样写道，创前沿智能，解生活之问。让前沿智能服务于日常生活。从预训练、多模态到后训练、AI Infra，落脚点始终是“生活”本身。

那为什么偏偏从“真实生活长程任务”切入呢？

因为小红书本身就是围绕真实的生活内容分享建立的。这里面也有参数，比如审美、预算、忌口、甚至还有带不带娃等等。

这些事说不清对错，又多模态、动态、主观。

而dots实验室想解决的，恰恰正是这些生活任务。

小红书自己就长在这些场景里，旅行、婚礼、开店、选房、养娃……每天有无数用户在这里分享真实偏好和真实经历。所以这不是绕开谁的主战场，而是从自己最熟悉、也最复杂的地方出发，做一件别人还没做明白的事。

dots3-note preview是坚实的一步，方向立住了，剩下的是耐心。

它把方法、评测和思考，一起摊开在技术社区面前。至于最后AI能不能走进现实生活，接下来，不只小红书一家的事。