在这篇文章中，我们提出了AIMO可解释性挑战，这是一个旨在区分稳健推理与虚假推理的竞赛，聚焦于前沿数学语言模型的内部机制。该挑战的动机在于标准推理基准的一个核心局限性：强大的最终答案准确性并不能揭示模型是否依赖于稳定的推理机制，还是利用脆弱的推理捷径。
基于人工智能数学奥林匹克（AIMO）问题及其提交，以及来自Fields Model Initiative的资源，竞赛将提供：
- 新发布的奥林匹克级别数学推理问题及其符号表示，允许生成新颖的功能变体；
- 访问前沿推理模型；
- 对这些问题的模型对抗鲁棒性的评估。
参与者将利用这些资源，以及我们的计算基础设施支持，开发识别哪些模型能够稳健地解决问题的方法。
我们的竞赛还将创建一个新的、开放的鲁棒性基准和基线系统，旨在为数学推理和可解释性标准基准提供持久的基础。
从科学角度来看，该竞赛将可解释性与泛化研究联系在一起，围绕人工智能研究的一个中心问题展开：我们能否确定前沿AI模型的决策是否可泛化，从而可靠？
博主点评： AIMO可解释性挑战的提出，填补了当前推理基准测试中的空白，通过聚焦模型的内部机制，帮助研究者更好地理解AI的推理能力与局限性。这不仅推动了数学推理的研究，也为AI的可解释性提供了新的思路，具有重要的学术价值和应用前景。