dots-note-3.0 erzielt die perfekte IMO-Punktzahl

Ein KI-Modell erzielte bei der IMO 2026 unter offizieller menschlicher Bewertung die perfekte Punktzahl von 42/42. Das bedeutet, Xiaohongshus dots-note-3.0 lieferte nicht nur die richtigen Endergebnisse, sondern verfasste sechs vollständige Beweise, die von den Prüfern anerkannt wurden.

Hier ist die Kurzfassung:

• Datum: Juli 2026
• Veranstaltung: Internationale Mathematik-Olympiade in Shanghai
• Punktzahl: 42 von 42
• Vergleich mit Menschen: Nur 7 von 666 Teilnehmenden erreichten ebenfalls die perfekte Punktzahl
• Was sich verändert hat: Das bisher beste KI-Ergebnis lag 2025 bei 35/42
• Warum das Interesse so groß ist: Die IMO prüft lange, schrittweise Beweisführungen und nicht das Erraten von Antworten

Einfach ausgedrückt zeigt dieses Ergebnis, dass das Verfassen von Beweisen durch KI bei einem äußerst schwierigen Test ein neues Niveau erreicht hat. Das bedeutet nicht, dass KI im Alltag fehlerfrei ist. IMO-Aufgaben sind klar und strukturiert. Gewöhnliche Aufgaben sind es oft nicht.

Besonders auffällig ist für mich der Workflow des Modells. Es las LaTeX-Rohtext, entwickelte Beweise in Algebra, Geometrie, Kombinatorik und Zahlentheorie und nutzte vor der Abgabe eine Selbstprüfungsschleife mit textbasiertem Denken und Python-Prüfungen. Das ist wichtig, weil eine ähnliche Kontrolle einzelner Schritte auch in Systemen helfen kann, in denen die Ausgabe eines Modells in ein anderes einfließt.

Die leicht verständliche Kernaussage lautet also: dots-note-3.0 erzielte ein außergewöhnliches Ergebnis in einem Mathematikwettbewerb, doch die größere Geschichte ist die Qualität der Beweise und nicht nur die mathematische Fähigkeit.

Zum ersten Mal hat ein KI-Modell bei der Internationalen Mathematik-Olympiade perfekte 100% erzielt

Der IMO-Benchmark und das offizielle Ergebnis von dots-note-3.0

Die IMO ist ein zweitägiger Beweiswettbewerb mit sechs Aufgaben für Schülerinnen und Schüler unter 20 Jahren. Jede Aufgabe ist 7 Punkte wert, sodass die Höchstpunktzahl 42 beträgt. Es handelt sich dabei nicht um einen Mathematikwettbewerb, bei dem allein das richtige Endergebnis die volle Punktzahl bringt. Für ein gutes Ergebnis müssen die Teilnehmenden vollständige und logisch schlüssige Beweise vorlegen. Teilpunkte hängen davon ab, wie vollständig der Beweis ist.^[5][3]

Im Juli 2026 fand die IMO in Shanghai mit 666 Teilnehmenden aus 117 Ländern statt. Nach Abschluss des Wettbewerbs für Menschen ließ Xiaohongshu dots-note-3.0 nach den offiziellen Bewertungsregeln und ohne menschliches Eingreifen antreten und reichte seine Lösungen zur offiziellen Bewertung ein. Das Modell erhielt bei allen sechs Aufgaben jeweils 7 von 7 Punkten und damit die perfekte Gesamtpunktzahl von 42 von 42.^[1][2][4]

Dieses Detail ist entscheidend. Eine perfekte IMO-Punktzahl bedeutet nicht, dass ein Löser die Antworten durch Glück oder Mustererkennung gefunden hat. Sie bedeutet, dass die eingereichte Arbeit vom Anfang bis zum Ende als vollständige beweisbasierte Argumentation Bestand hatte.

Wie die perfekte Punktzahl von 42 von 42 bewertet wird

Perfekte 42/42 bedeuten, dass jeder Beweis vollständig sein muss. Keine fehlenden Schritte. Keine logischen Lücken. Keine ausgelassenen Bedingungen. IMO-Prüfer beurteilen die Qualität der Argumentation selbst und nicht nur den Endpunkt.^[5][3]

Einfach gesagt liegt die Messlatte hoch. Der Löser muss über alle sechs Aufgaben hinweg eine saubere logische Kette aufrechterhalten und dies auf eine Weise tun, die der offiziellen Prüfung standhält.

Warum dieses Ergebnis historisch bedeutsam ist

Dies ist das erste große Sprachmodell, das unter offizieller IMO-Bewertung die perfekte Punktzahl erhalten hat.^[1][4]

Welche Fähigkeiten dots-note-3.0 unter Beweis stellen musste

Um 42/42 zu erreichen, musste dots-note-3.0 mehr leisten, als nur die richtige Antwort zu finden. Es musste Aufgabenstellungen im LaTeX-Rohformat lesen, einen Beweisweg auswählen und anschließend innerhalb des Zeitlimits des Wettbewerbs einen vollständigen Beweis verfassen, den menschliche Prüfer kontrollieren konnten. ^[1] Das Eingabeformat und die Qualität des Beweises waren somit ebenso wichtig wie das Endergebnis.

LaTeX-Aufgaben lesen und vollständige Beweise verfassen

dots-note-3.0 arbeitete direkt mit Aufgabenstellungen im LaTeX-Rohformat und erstellte vollständige, menschenlesbare Beweise, die von offiziellen Prüfern bewertet wurden. ^[1] Bei diesem Sprung – von der rohen Aufgabenstellung zum verifizierten Beweis – wird tiefergehendes Denken sichtbar.

Mehrstufiges Denken in Algebra, Geometrie, Kombinatorik und Zahlentheorie

Wer alle sechs IMO-Aufgaben löst, muss ein breites Denkvermögen in Algebra, Geometrie, Kombinatorik und Zahlentheorie zeigen. ^[1][2] Konkret bedeutet das, geometrische Argumentationen aufzubauen, Aussagen über ganze Zahlen zu beweisen, kombinatorische Fallunterscheidungen durchzuarbeiten und Zwischenlemmata zu einer gültigen Argumentationskette zu verbinden.

Einige Aufgaben von 2026 waren zudem in Erzählungen eingebettet, sodass das Modell die Geschichte ausblenden und die dahinterliegende Mathematik erkennen musste. ^[1]

Beispiele für Aufgaben, die sich mit diesem Denkniveau bewältigen lassen

So sieht dieses Denkniveau in der Praxis aus:

Das Modell musste außerdem in einer Form, die den offiziellen IMO-Bewertungsstandards entspricht, zeigen, warum die Schlussfolgerung wahr sein muss. ^[1][2] Dieselben Beweisfähigkeiten sind ein wesentlicher Grund dafür, dass dieses Ergebnis für die weiterführende Forschung zum logischen Denken von KI relevant ist.

Warum dieses Ergebnis für die Forschung zum logischen Denken von KI wichtig ist

Die IMO ist für KI ungewöhnlich schwierig, weil sie kein Multiple-Choice-Test ist. Die Teilnehmenden müssen vollständige, schrittweise Beweise verfassen, und selbst ein einziger übersehener Fall oder eine ausgelassene Bedingung kann Punkte kosten. Dieser Benchmark prüft daher die durchgängige Gültigkeit von Beweisen und nicht nur, ob das Endergebnis richtig aussieht.

Das ist bedeutsam. Benchmarks, die nur Antworten bewerten, können schwaches Denken verbergen, wenn ein Modell aus dem falschen Grund zum richtigen Ergebnis gelangt. Bei der IMO funktioniert das nicht. Sie prüft, ob das Modell die Logik vom Anfang bis zum Ende zusammenhalten kann.

Was dies über die Genauigkeit fortgeschrittenen Denkens aussagt

Perfekte 42/42 deuten darauf hin, dass das Modell einen Beweis planen, seine eigenen Zwischenschritte prüfen und jedes Argument abschließen konnte, ohne die logische Kette zu durchbrechen. Einfach ausgedrückt weist dies auf eine stärkere Selbstprüfung über lange Beweise hinweg hin.

Auch im historischen Vergleich ist der Sprung auffällig. 2025 erreichten die führenden Systeme 35/42, sodass 42/42 einen deutlichen Fortschritt bei der Vollständigkeit von Beweisen darstellen ^[3].

Die schwierigere Frage lautet, wie viel von diesem Denkvermögen sich auf Bereiche außerhalb der Wettbewerbsmathematik übertragen lässt.

Warum die Grenzen von Benchmarks weiterhin wichtig sind

Eine perfekte IMO-Punktzahl belegt noch keine umfassende Zuverlässigkeit in unübersichtlichen Alltagssituationen. Wettbewerbsaufgaben sind strukturiert. Reale Eingaben sind es häufig nicht. Sie können verrauscht oder vage sein oder entscheidende Details auslassen ^[6].

Das Ergebnis ist daher ein starker Beleg für fortgeschrittenes mathematisches Denken. Es sollte jedoch nicht als Versprechen eines allgemeinen Verständnisses gelesen werden.

Genau diese Beständigkeit macht fortgeschrittenes Denken in multimodalen und API-gestützten Workflows nützlich.

Wie sich Denken auf IMO-Niveau auf multimodale und API-gestützte Anwendungen übertragen lässt

Wo starkes Denkvermögen in realen Workflows hilft

Dieses Maß an Beständigkeit ist besonders wichtig, wenn das Denken nur ein Bestandteil einer größeren Pipeline ist. In der Produktion kann eine einzige übersehene Einschränkung das gesamte Ergebnis verfälschen. Forschungsassistenten, Nachhilfetools und Coding-Agenten stehen alle vor derselben Aufgabe: jede Bedingung vom Anfang bis zum Ende einzuhalten.

Hier hilft eine Selbstprüfungsschleife. Sie kann kleine Fehler früh erkennen, bevor daraus größere Probleme entstehen.

Mit APIMart Denkmodelle mit Video-, Bild- und Sprachmodellen kombinieren

In multimodalen Pipelines kann ein Denkmodell die Eingabe prüfen, bevor sie einen Video- oder Bildgenerator erreicht. Dasselbe Prinzip funktioniert, wenn das Denkmodell als Kontrollinstanz dienen soll, bevor die Mediengenerierung beginnt.

Mit APIMart können Teams Denk-, Bild-, Video- und Sprachmodelle über eine einzige API kombinieren. So können sie Eingaben zunächst validieren und anschließend an ein Videomodell senden.

Im Alltag wird die Genauigkeit des Denkens zu einer Zuverlässigkeitsschicht für multimodale Pipelines. Deshalb ist Denken auf IMO-Niveau über die Mathematik hinaus wichtig: Es hilft, multimodale Systeme zuverlässiger zu prüfen, weiterzuleiten und einzusetzen.

Fazit: Ein verifizierter Meilenstein des Denkvermögens mit praktischen Erkenntnissen

dots-note-3.0 erzielte bei der Internationalen Mathematik-Olympiade (IMO) 2026 die perfekte Punktzahl von 42 von 42. Zum ersten Mal erreichte ein KI-Modell dieses Ergebnis unter offizieller menschlicher Bewertung, bei der menschliche Prüfer jede Zeile jedes Beweises lesen und bewerten ^[1][7].

Das Modell verfasste ohne menschliche Hilfe vollständige Beweise für den gesamten IMO-Aufgabensatz. Es nutzte eine iterative Schleife aus textbasiertem Denken und Python-Prüfungen, um die eigenen Beweise vor der endgültigen Abgabe zu testen, zu überarbeiten und zu präzisieren ^[7]. Besonders bemerkenswert ist, dass das Modell seine eigene Arbeit prüfen und Fehler während des Prozesses beheben konnte.

Für APIMart-Nutzer, die multimodale Workflows entwickeln, ist das die entscheidende Erkenntnis. Beweisführung auf IMO-Niveau bedeutet nicht perfekte Zuverlässigkeit in jedem Anwendungsfall. Sie deutet jedoch auf etwas Wichtiges hin: Verifizierbares Denken nähert sich einer Qualität, auf die Teams in Produktions-Workflows bauen können.

Einfach ausgedrückt kann selbstprüfendes Denken das Vertrauen in APIMart-Workflows erhöhen, die Sprach-, Bild- und Videomodelle zusammenführen.

FAQs

Warum ist eine perfekte IMO-Punktzahl für KI so bedeutsam?

Eine perfekte Punktzahl bei der Internationalen Mathematik-Olympiade (IMO) ist bedeutsam, weil sie auf mehr als Mustererkennung hindeutet. Die IMO verlangt nicht nur Antworten, sondern vollständige mathematische Beweise.

Wenn ein Modell 42 von 42 Punkten erzielt, ist das somit keine Kleinigkeit. Es bedeutet, dass das Modell lange, schrittweise Argumentationen aufbauen und vom Anfang bis zum Ende intakt halten kann – ohne logische Fehler, fehlende Bedingungen oder unbelegte Behauptungen.

Dieses Maß an Präzision ist wichtig, wenn logisches Denken über viele Schritte hinweg erfolgen muss und nicht nur in einem einzigen Sprung.

Bedeutet dies, dass dots-note-3.0 auch außerhalb von Mathematikwettbewerben zuverlässig ist?

Eine perfekte Punktzahl bei der Internationalen Mathematik-Olympiade deutet auf starkes, fehlerfreies logisches Denken hin. Sie garantiert jedoch keine Zuverlässigkeit in jedem realen Szenario.

Die IMO prüft unter strengen Bedingungen eine eng begrenzte Form mathematischen Denkens. dots-note-3.0 sollte vor einer vollständigen Bereitstellung weiterhin anhand Ihrer tatsächlichen Produktionslasten, Kriterien und Datenverkehrsmuster geprüft werden.

Wie kann Denken auf IMO-Niveau realen KI-Workflows helfen?

Denken auf IMO-Niveau hilft in realen KI-Workflows, weil es das Modell dazu bringt, schwierige Aufgaben Schritt für Schritt zu bearbeiten, statt am Ende lediglich eine Antwort auszugeben. Das ist bei mehrstufiger Mathematik besonders wichtig, da ein kleiner früher Fehler alles Nachfolgende verfälschen kann.

Außerdem lässt sich die Arbeit in den Zwischenschritten leichter prüfen. Statt das Ergebnis als Blackbox zu behandeln, können Sie jeden Schritt kontrollieren, Schwachstellen erkennen und Beweis- oder Logikfehler auffangen, bevor sie sich ausbreiten.

Im Alltag kann das zu weniger Fehlern in Systemen mit Werkzeugnutzung, höherer Genauigkeit bei engen Vorgaben und stärkerer Unterstützung für fortgeschrittene multimodale oder API-gestützte Anwendungen führen, die auf beständige logische Kohärenz angewiesen sind.