阿里巴巴研究揭秘：AI数学推理能力提升的突破性发现与实战测评

数学学习讲究循序渐进，这似乎是教育领域的金科玉律。但一项来自阿里巴巴集团地图部门与人民大学人工智能学院、厦门大学、大连理工大学等机构的最新研究，却提出了一个颇具碘伏性的观点：对于人工智能而言，“越难越好”可能才是提升其数学推理能力的有效路径。这项发表于2026年国际学习表征会议（ICLR 2026）的研究，为我们理解AI的学习规律打开了一扇新窗。

研究团队洞察到，当前主流的AI训练方法存在一个隐性的“偏心”问题。它就像一个不自觉的老师，将更多精力投向了那些难度适中的题目，反而对最能暴露能力短板、最具挑战性的难题关注不足。这直接导致AI在最需要攻坚克难的地方，得到的训练信号反而最弱。

为此，团队开发了一套名为“MathForge”的全新训练框架。其核心由两大组件构成：一是“难度感知组策略优化”算法，旨在扮演一个更公平、更懂得因材施教的“智能导师”；二是“多方面问题重构”策略，专门负责在不改变答案的前提下，将现有题目“改造”得更具挑战性，为AI提供更优质的“练兵场”。

一、发现AI学习的“偏见”：为什么现有方法不够好

要理解这项研究的价值，得先看看AI是如何学习数学推理的。目前，最前沿的方法之一是“带可验证奖励的强化学习”。简单说，就是让AI大量解题，做对奖励，做错不奖，以此引导它掌握正确的推理路径。

其中，一个关键算法叫“组相对策略优化”。它的工作逻辑是：针对同一道题，AI会生成多个解答，算法通过比较这些解答的优劣，给予高质量解答更高的学习权重。

然而，经过深入的数学分析，研究团队发现了这个算法的一个严重缺陷。当计算算法对不同难度题目的关注度分布时，一个意外的模式浮现出来：它对中等难度题目的关注度最高，对简单和困难题目的关注度则相对较低。

这好比一个学习小组，大家热衷于讨论那些“跳一跳够得着”的问题，而对真正艰深的难题却敬而远之。对于AI训练而言，这显然不是最优策略。那些困难但仍可解的题目，恰恰是训练的关键——它们既能精准打击AI的推理薄弱环节，又至少提供了一个正确的学习目标。

更进一步看，掌握难题的解法往往能反哺简单题的表现。因为难题常常是简单问题的复杂组合或高阶变形，攻克了前者，后者自然迎刃而解。

除了算法，数据层面也存在瓶颈。现有的数据增强方法多局限于简单的题目重述，比如把“苹果”换成“橘子”。这虽然增加了数据多样性，却并未触及题目内在的认知难度，好比给学生做了大量“换汤不换药”的练习，对能力跃升的帮助有限。

二、构建更智能的“老师”：难度感知算法的设计

针对上述算法偏见，研究团队设计出了“难度感知组策略优化”算法。其核心思路是让学习过程既均衡，又有重点。

首先，他们修正了原算法中的不公平机制。原算法使用标准差进行归一化，这会导致不同难度题目获得的总关注度天然不同。团队提出改用平均绝对偏差，从而确保每道题，无论难易，都能获得同等的总体关注机会。这就好比将一位“偏心”的老师，转变为一视同仁的“公平裁判”。

但公平只是第一步。团队进一步引入了“难度感知的题目级权重”机制。该机制会根据AI在每道题上的平均准确率来动态判定题目难度——准确率越低，题目越“难”，从而分配更高的学习权重。

这一设计的精妙之处在于其动态适应性。训练初期，AI觉得困难的题目多，算法就重点关照这些题；随着AI能力提升，原本的难题变简单了，算法的注意力便会自动转向新的难点。整个过程如同一位因材施教的私教。

为了确保训练稳定，团队还采用了“有效题目级损失平均”技术，只关注那些AI既非全对也非全错的题目。因为只有这些“似懂非懂”的题目，才蕴含最有价值的学习信号。这就像明智的学生，会把时间聚焦在那些已掌握部分但还需巩固的知识点上。

通过严格的数学证明，团队验证了新算法确实解决了原有偏差，确保了每道题获得的总关注度恒定。这种理论上的可靠性，为实际应用奠定了坚实基础。

三、创造更有挑战性的“试题”：多方面问题重构策略

光有聪明的“老师”还不够，还得有高质量的“教材”。研究团队意识到，必须为AI提供更具挑战性的练习题，但前提是：答案必须保持不变，以确保训练目标的确定性。

他们设计了三种题目“改造”大法，从不同维度提升题目复杂度：

1. 添加故事背景： 将直白的数学题嵌入复杂的叙事场景。例如，把“计算三角形面积”变成“古埃及工程师在建造金字塔时，需计算特定石材的截面面积…”。这考验的是AI从纷繁信息中精准提取关键数学关系的能力。

2. 引入抽象术语： 为题目中的核心概念创造或替换为更抽象的数学表述。比如，将“两数之差”表述为“一维空间上两数值的欧几里得距离”。这旨在锤炼AI理解和运用抽象数学语言的能力。

3. 嵌套子问题： 将题目中的某个给定条件，转化为一个需要先行解决的独立子问题。例如，将“边长为5的正方形”改为“边长等于方程x²-3x-10=0较大根的正方形”。这直接挑战AI的多步骤推理与跨领域知识整合能力。

这三种方法殊途同归：在保持答案唯一的前提下，显著提升题目的认知负荷。实测表明，AI在这些改造题上的正确率明显下降，印证了“增难”效果。

有趣的是，即便使用能力相对较弱的AI模型来执行题目改造，也能取得不错效果。这大大提升了该策略的实用性和可推广性。

通过这种多管齐下的重构，原始训练数据的“质”与“量”得以同步提升——规模扩大了四倍，且题目挑战性今非昔比，宛如为AI配备了一套从基础到高阶的“综合强化习题集”。

四、验证效果：全面的实验证明

空谈无益，实验为证。研究团队进行了大规模、多维度的严谨实验来验证MathForge的有效性。

实验涵盖了从15亿到70亿参数的不同规模AI模型，既包括数学专用模型，也包含通用语言模型。测试集则囊括了国际数学奥林匹克竞赛（IMO）、美国数学竞赛（AMC）等不同难度的知名题库。

结果令人振奋。在主要测试中，采用完整MathForge框架训练的模型，其平均性能较原有方法提升了4.56个百分点。在AI研究领域，这是一个相当显著的进步。

分解来看，两大组件各司其职：难度感知算法主要提升了学习效率，让AI更善于从数据中汲取养分；而问题重构策略则拓宽了能力边界，让AI能应对更复杂的题型。

进一步的分解实验显示，单独使用难度感知算法可带来2.18个百分点的提升，单独使用问题重构策略可提升3.43个百分点。二者结合则产生“1+1>2”的协同效应，达到4.56的总体提升。

尤为重要的是，这种提升在不同规模的模型上表现一致，说明该方法揭示的是AI学习的普适规律，而非特定条件下的特例。

研究还将该方法应用于涉及几何图形的多模态数学问题，同样观测到了显著提升。这证明了“越难越好”原则具有一定的跨任务通用性。

在与同期其他先进训练方法的对比中，MathForge也展现出全面优势，说明其确实触及了提升AI数学推理能力的某个本质层面。

五、深入理解：为什么“越难越好”真的有效

团队并未止步于“有效”，还深入探究了其背后机理。他们发现，“越难越好”的训练哲学，与机器学习的基本原理深度契合。

从学习理论看，困难题目能提供更丰富、更密集的学习信号。解决一个复杂问题需要调动更多推理链条和知识模块，这个过程所产生的训练效用，远非重复解答简单题目可比。这类似于人类通过攻克综合难题来实现能力的跃迁。

分析学习动态发现，经MathForge训练的AI，不仅答案更准确，其推理过程也往往更简洁、更直接。这表明AI不仅学会了“做题”，更掌握了更优的“思考方式”。

另一个关键发现是：在重构的难题上训练时准确率虽低，但在最终测试集上表现却更好。这正是深度学习领域追求的“泛化能力”提升的体现——通过挑战更高难度，AI获得了更强大的举一反三的推理能力。

该方法尤其擅长弥补AI的特定弱点。通过动态聚焦于易错题型，训练变得极具针对性，效率自然更高。

兼容性测试表明，难度感知算法能轻松集成到其他现有训练框架中，并带来额外增益，这拓宽了其应用前景。

最后，一个意想不到的收获是：经过该方法训练的AI，在面对全新类型数学问题时，表现出更快的适应和学习速度。这意味着，挑战难题不仅提升了“战斗力”，还增强了“学习力”本身。

从更广阔的视角看，这项研究揭示了AI学习与人类认知成长的某种相似性：适当的挑战和压力，是驱动智能进阶的催化剂。阿里巴巴与高校团队的这项合作研究，指出了一个看似反直觉却深刻的道理：在追求更强人工智能的道路上，有时为其设置更高的障碍，恰恰是帮助它跳得更高的最佳方式。

Q&A

Q1：MathForge框架中的难度感知算法是如何工作的？

A：该算法通过两个关键步骤工作。首先，它修正了原有算法的不公平性，确保每道题目获得同等的总体关注度。其次，它会根据AI在每道题目上的实时准确率动态判断题目难度，准确率越低（即越困难）的题目，会被分配更高的学习权重和更多的训练资源。

Q2：多方面问题重构是怎样让数学题变难的？

A：主要通过三种方式：1）添加复杂叙事背景，考验信息提炼能力；2）引入抽象术语或表述，考验概念理解能力；3）嵌套子问题，考验多步骤推理与知识综合能力。所有改造均严格保持原题答案不变。

Q3：为什么让AI做更难的题目反而学得更好？

A：核心原因有二。其一，困难题目蕴含更丰富的学习信号，迫使AI激活并连接更复杂的推理路径，从而实现更深层次的学习。其二，难题往往是基础技能的综合应用，掌握难题解法能从根本上巩固和提升对基础知识的理解与应用能力，形成“降维打击”效应。