Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad
Zusammenfassung
Kurz
Google DeepMind zufolge erzielte eine fortgeschrittene Gemini-Version mit Deep Think bei der IMO 2025 mit fünf vollständig gelösten Aufgaben 35 von 42 Punkten und damit den Goldmedaillenstandard. Die IMO bestätigte laut Bericht die Lösungen, prüfte aber weder das Modell noch seine Prozesse; der bereitgestellte Text endet mit einer abgebrochenen Bildunterschrift.
Mittel
Google DeepMind berichtet, dass eine fortgeschrittene Version von Gemini mit Deep Think bei der IMO 2025 fünf von sechs Aufgaben vollständig gelöst und 35 von 42 Punkten erreicht habe. Laut Bericht bestätigte die IMO die eingereichten Lösungen als vollständig und korrekt; die Bewertung entspreche dem Goldmedaillenstandard. Die Organisatoren hätten die Lösungen als klar und präzise beschrieben.
Im Vergleich zu den 2024 eingesetzten Systemen AlphaProof und AlphaGeometry 2 habe Gemini die Aufgaben direkt in natürlicher Sprache bearbeitet und die Beweise innerhalb der Wettbewerbszeit von viereinhalb Stunden erstellt. Im Vorjahr waren laut Bericht formale Übersetzungen durch Fachleute nötig gewesen, und die Berechnung hatte zwei bis drei Tage gedauert. Deep Think erkunde mehrere Lösungswege parallel. Das Modell sei zusätzlich mit Techniken des Reinforcement Learning, mathematischen Lösungsdaten und allgemeinen IMO-Hinweisen trainiert worden.
Google DeepMind kündigt zunächst Tests mit einer ausgewählten Gruppe, darunter Mathematiker, und später eine Bereitstellung für Google-AI-Ultra-Abonnenten an. Als Grenze hält der Bericht fest: Die IMO habe die Lösungen bestätigt, nicht aber das Modell oder dessen Prozesse. Die Trainingsdarstellung und Einordnung der Leistung stammen vom Unternehmen. Der bereitgestellte Text endet mit einer abgebrochenen Bildunterschrift.
Ausführlich lesen
Der Bericht von Google DeepMind stellt die Leistung einer fortgeschrittenen Gemini-Version mit Deep Think bei der Internationalen Mathematik-Olympiade 2025 (IMO) vor. Nach Darstellung des Unternehmens löste das Modell fünf der sechs Aufgaben vollständig und erreichte 35 von 42 Punkten. Die IMO bestätigte laut Bericht, dass die eingereichten Antworten vollständige und korrekte Lösungen seien; 35 Punkte entsprächen dem Goldmedaillenstandard. Die Organisatoren hätten die Lösungen nach denselben Kriterien wie Schülerlösungen bewertet und sie als klar, präzise und überwiegend gut nachvollziehbar beschrieben.
Google DeepMind vergleicht das Ergebnis mit dem Vorjahr: 2024 hatten AlphaProof und AlphaGeometry 2 laut Bericht vier Aufgaben gelöst und 28 Punkte erreicht. Für diese Systeme mussten Fachleute die Aufgaben zunächst in formale Sprachen wie Lean übertragen und die Beweise anschließend wieder in natürliche Sprache umsetzen. Außerdem habe die Berechnung zwei bis drei Tage gedauert. 2025 habe Gemini dagegen die offiziellen Aufgabenbeschreibungen direkt in natürlicher Sprache verarbeitet und mathematische Beweise innerhalb der Wettbewerbszeit von viereinhalb Stunden erstellt. Das Unternehmen beschreibt dies als End-to-End-Vorgehen ohne die für den Vergleich genannten Übersetzungsschritte.
Als Grundlage nennt der Bericht eine erweiterte Deep-Think-Version, die mehrere mögliche Lösungswege parallel erkunden und zusammenführen könne. Das Modell sei mit neuen Reinforcement-Learning-Techniken und Daten zu mehrstufigem Schlussfolgern, Problemlösen und Beweisen trainiert worden. Zusätzlich habe es Zugang zu einer ausgewählten Sammlung hochwertiger mathematischer Lösungen sowie allgemeine Hinweise zur Bearbeitung von IMO-Aufgaben erhalten. Der Text führt diese Maßnahmen als Bestandteile des Ansatzes auf, weist aber keinen einzelnen Beitrag davon zur Punktzahl nach.
Google DeepMind kündigt an, eine Version zunächst einer Gruppe vertrauenswürdiger Tester, darunter Mathematikerinnen und Mathematiker, bereitzustellen und sie später für Google-AI-Ultra-Abonnenten auszurollen. Das Unternehmen sieht KI in der Mathematik noch am Anfang ihrer Möglichkeiten und arbeitet nach eigener Aussage parallel weiter an den formalen Systemen AlphaGeometry und AlphaProof. Als langfristige Perspektive nennt es Systeme, die flüssige Kommunikation in natürlicher Sprache mit strengem, gegebenenfalls formal verifiziertem Schlussfolgern verbinden.
Eine wesentliche Einschränkung benennt der Bericht selbst: Die IMO-Prüfung bestätige die eingereichten Lösungen, erstrecke sich aber nicht auf die Validierung des Modells, seiner Prozesse oder seiner Funktionsweise. Die Darstellung der Trainingsmethoden und ihrer Bedeutung stammt von Google DeepMind. Der bereitgestellte Text enthält den Bericht samt Danksagungen; die letzte nachgeholte Bildunterschrift bricht am Ende ab.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Lunas Zusammenfassung liegt in zwei Fassungen vor; beide wurden geprüft. Die kurze Fassung ist sachlich korrekt, aber knapp. Die mittlere Fassung gibt den Bericht treu wieder; die Aussage, die Trainingsdarstellung stamme vom Unternehmen, folgt aus der Herkunft des Berichts und ist keine erfundene Angabe. Der Bericht endet mit einer abgebrochenen Bildunterschrift.
Im Bericht, aber nicht in der Zusammenfassung
- Der Silbermedaillenstandard 2024 mit AlphaProof und AlphaGeometry 2 (vier von sechs Aufgaben, 28 Punkte) wird nicht genannt.
- Die IMO-Koordinatoren haben die Modellergebnisse erstmals nach denselben Kriterien wie Schülerlösungen zertifiziert; das wird nur in der mittleren Zusammenfassung bzw. gar nicht erwähnt.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 42 %gleiches Oberthema, hilft nicht
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 38 %Hintergrund, keine Belege
- JEV 35 %beantwortet teilweise oder widerspricht
- amos 26 %gleiches Oberthema, hilft nicht
- SubQ 55 %gleiches Oberthema, hilft nicht
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 26 %nur am Rande erwähnt
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 58 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 40 %einzelne zitierbare Belege
- amos 28 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 28 %Hintergrund, keine Belege
- JEV 31 %einzelne zitierbare Belege
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 63 %einzelne zitierbare Belege
- JEV 42 %einzelne zitierbare Belege
- amos 26 %Hintergrund, keine Belege
- SubQ 100 %kein Bezug
- drex 34 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung beantwortet teilweise oder widerspricht
- SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen?
- SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten?
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 63 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 35 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 38 %einzelne zitierbare Belege
- JEV 24 %Hintergrund, keine Belege
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 53 %gleiches Oberthema, hilft nicht
- drex 60 %gleiches Oberthema, hilft nicht
- d3-ultra 63 %gleiches Oberthema, hilft nicht
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-T3-T07 Wenn mehrere Anbieter je verschiedene Stufen von Forschung, Training und Prüfung automatisieren und erst ihre ausgetauschten Ergebnisse zusammen einen Kreislauf der Selbstverbesserung schließen, ohne dass eine Firma den ganzen Ablauf betreibt: Welche Regel stellt diesen gemeinsamen Kreislauf unter Aufsicht?
- SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren?
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 46 %gleiches Oberthema, hilft nicht
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 76 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 28 %Hintergrund, keine Belege
- JEV 63 %einzelne zitierbare Belege
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 33 %gleiches Oberthema, hilft nicht
- JEV 38 %einzelne zitierbare Belege
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 54 %gleiches Oberthema, hilft nicht
- d3-ultra 52 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
- SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 47 %gleiches Oberthema, hilft nicht
- drex 45 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 29 %einzelne zitierbare Belege
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 75 %gleiches Oberthema, hilft nicht
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 74 %einzelne zitierbare Belege
- JEV 57 %einzelne zitierbare Belege
- amos 27 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 41 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
- SF-K2 Wie weit gelten KI-Abkommen für Verbündete und Geheimdienste, und wie verhalten sie sich zu bestehenden Rüstungskontrollverträgen und -regimen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 56 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 50 %einzelne zitierbare Belege
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 58 %gleiches Oberthema, hilft nicht
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-O3 Welcher Text gilt, und wie beweist man, dass ein Dokument nicht verändert wurde?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 48 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 39 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 51 %gleiches Oberthema, hilft nicht
- drex 62 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Alle Berichte im Archiv