مدل Nemotron-3-Ultra-CC انویدیا رکورد برترین امتیاز انسانی را در المپیاد بین‌المللی کامپیوتر شکست

لحظه سرنوشت‌ساز برای یک هوش مصنوعی که در تلاش برای کدنویسی است، زمانی نیست که یک کتاب درسی را حفظ می‌کند، بلکه زمانی است که وارد یک حلقه استنتاج در زمان آزمایش (test-time inference) می‌شود تا به‌طور مکرر راه‌حلی را برای مسئله‌ای که هرگز ندیده است، تولید، ارزیابی و اصلاح کند. همین چرخه اصلاح مبتنی بر بازخورد، دقیقاً همان چیزی است که به‌تازگی یک مدل زبانی را از بهترین برنامه‌نویسان انسانی جهان جلو انداخت. در المپیاد بین‌المللی کامپیوتر (IOI) سال ۲۰۲۶، یک سیستم هوش مصنوعی تحت همان محدودیت‌های زمانی و شرایط ارسال پاسخ که برای شرکت‌کنندگان انسانی وضع شده بود، عمل کرد و برای نخستین بار، امتیاز بالاتری نسبت به تمام افراد حاضر در رقابت به دست آورد.[1][4]

این سیستم که توسط پژوهشگران انویدیا (Nvidia) توسعه یافته، Nemotron-3-Ultra-CC نام دارد. در طول یک ارزیابی آینده‌نگرانه روی مجموعه سوالات زنده IOI ۲۰۲۶، این مدل توانست ۵۳۵.۴ امتیاز از مجموع ۶۰۰ امتیاز ممکن را کسب کند. این عملکرد با اختلافی چشمگیر از آستانه ۳۶۱.۱۲ امتیازی مدال طلا عبور کرد و حتی رکورد ۴۹۸.۲۷ امتیازی برترین رقیب انسانی را نیز شکست.[1][3][4]

الکساندر فیسک (Aleksander Ficek)، شان نارنتیران (Sean Narenthiran) و همکارانشان در انویدیا، در پیش‌چاپ مقاله‌ای که در ۳ سپتامبر در arXiv منتشر شد، نوشتند: «تا جایی که ما می‌دانیم، این نخستین سیستم هوش مصنوعی است که در مجموعه سوالات IOI امتیازی بالاتر از برترین شرکت‌کننده انسانی کسب می‌کند.» این نتیجه، نقطه عطفی تاریخی در برنامه‌نویسی رقابتی محسوب می‌شود؛ رشته‌ای که به جای تطبیق الگوی ساده، نیازمند ساختاردهی الگوریتمی پیوسته و چندمرحله‌ای است.[4]

معماری پشت این امتیاز رکوردشکن، بر یک طراحی ترکیبی از خبرگان (mixture-of-experts) استوار است. مدل Nemotron-3-Ultra-CC در مجموع شامل ۵۵۰ میلیارد پارامتر است، اما در هر مرحله از استنتاج، تنها ۵۵ میلیارد از آن‌ها را فعال می‌کند. مدل اولترا به جای تکیه بر یادگیری تقویتی، منحصراً با استفاده از تنظیم دقیق نظارت‌شده (supervised fine-tuning) روی یک مجموعه داده بسیار پالایش‌شده شامل ۲۲٬۰۰۰ مسئله برنامه‌نویسی رقابتی آموزش دیده است.[1][4]

با این حال، تعداد خام پارامترها تنها نیمی از معادله است. مزیت تعیین‌کننده این سیستم از یک استراتژی محاسباتی در زمان آزمایش نشأت می‌گیرد که انویدیا آن را «GenCorrect» می‌نامد. به جای تولید یک پاسخ واحد و عبور از آن، GenCorrect به مدل اجازه می‌دهد تا به‌طور مکرر راه‌حل‌های کاندیدای متنوعی تولید کند، آن‌ها را با محدودیت‌های مسئله بسنجد و کد را بر اساس بازخورد حاصل از ارسال‌های ناموفق قبلی اصلاح کند.[4]

این حلقه تکرارشونده، روش دیباگ کردن یک برنامه‌نویس انسانی را شبیه‌سازی می‌کند، اما با سرعت ماشین اجرا می‌شود. با انتقال منابع محاسباتی از مرحله آموزش اولیه به لحظه واقعی استنتاج، مدل می‌تواند خطاهای منطقی خود را پیش از نهایی کردن و ارسال پاسخ، شناسایی و اصلاح کند.[4]

انویدیا همچنین نشان داد که این پایپ‌لاین در مقیاس‌های کوچک‌تر نیز کارایی دارد. در کنار مدل عظیم اولترا، این تیم مدل Nemotron-3-Nano-CC را نیز آموزش داد؛ یک مدل ۳۰ میلیارد پارامتری که تنها ۳ میلیارد پارامتر فعال دارد. برخلاف برادر بزرگ‌تر خود، نسخه نانو هم از تنظیم دقیق نظارت‌شده و هم از یادگیری تقویتی بهره برده است.[1][4]

هنگامی که مدل Nano-CC روی بنچمارک سال گذشته یعنی IOI ۲۰۲۵ آزمایش شد، در ابتدا ۱۳۰ امتیاز کسب کرد. پس از اعمال پایپ‌لاین پس از آموزش، امتیاز آن به ۲۹۱ جهش یافت. زمانی که استراتژی زمان آزمایش GenCorrect فعال شد، این مدل ۳۰ میلیارد پارامتری به امتیاز ۴۶۸ رسید و به راحتی از آستانه ۴۳۸.۳ امتیازی مدال طلای سال ۲۰۲۵ عبور کرد.[4]

اعتبار نتیجه سال ۲۰۲۶ به شدت به شرایط ارزیابی بستگی دارد. از آنجا که این آزمایش به‌صورت آینده‌نگرانه و در طول پنجره زمانی مسابقات واقعی IOI ۲۰۲۶ اجرا شد، مسائل کاملاً جدید بودند. این امر احتمال اینکه مدل صرفاً راه‌حل‌ها را از داده‌های آموزشی خود حفظ کرده باشد - که یک دام رایج در آزمایش‌های بنچمارک هوش مصنوعی است - از بین می‌برد.[1][4]

این سیستم همچنین دقیقاً به همان قوانین دسترسی به اینترنت و محدودیت‌های ارسال پاسخ که برای دانش‌آموزان انسانی وضع شده بود، محدود شد. حاشیه برتری ۳۷ امتیازی نسبت به برترین شرکت‌کننده انسانی در یک مجموعه ۶۰۰ امتیازی تحت این محدودیت‌های یکسان، نخستین شواهد ملموس را ارائه می‌دهد که مدل‌های زبانی می‌توانند استدلال انتزاعی را در سطحی نخبگانی اجرا کنند.[1][2][4]

این دستاورد نشان‌دهنده یک تغییر بنیادین در نحوه استقرار سیستم‌های هوش مصنوعی در مهندسی نرم‌افزار است. در حالی که مدل‌ها از تولید کدهای تکراری سازمانی به سمت معماری و اعتبارسنجی مستقل الگوریتم‌های پیچیده حرکت می‌کنند، گلوگاه توسعه نرم‌افزار احتمالاً از نوشتن کد، به تعریف محدودیت‌هایی که هوش مصنوعی باید حل کند، تغییر خواهد یافت.[2]