小红书开源IMO 满分同系模型，主攻生活 Agent！

编辑｜杜伟、杨文

终于，小红书 IMO 满分夺金模型的同系列版本开源了！

上个月，小红书自研大模型「dots-note-3.0」创下了一个历史记录：AI 首次在国际奥数竞赛中斩获官方认证的满分42 分。此后，社区最关心的问题，就是模型什么时候开源。

HuggingFace AI 研究及社区生态相关负责人 Adina Yakup。图源 X Post

就在今天，小红书 dots 模型实验室（以下简称 dots 实验室）宣布开源 dots3-note preview！它也是 dots3 系列模型首个开源版本，瞄准了更贴近现实、更难评测的长程任务。

从参数来看，dots3-note preview 的总参数为 280B，其中激活参数为 16B，支持 512K 超长上下文窗口，具备了文本、视觉与语音多模态理解能力，并针对复杂推理、Agent 和多模态感知进行了优化。

• API 入口: https://dots.ai/platform/

• Huggingface: https://huggingface.co/dots-studio/dots3-note-prev

• GitHub: https://github.com/studio-dots-ai/dots3-note-prev

IMO 满分验证了该系列模型在数学推理与证明上的能力，此次开源把挑战带到了另一类更难标准化的场景：旅行规划、婚礼筹备、开店经营。这类任务没有唯一答案，时间还可能拉长到数小时、数天甚至更久。

dots3-note preview 将重心放在长程任务上，也踩中了当前 Agent 发展的一条主线：它们开始被要求独立承担越来越长、越来越完整的工作。OpenAI 曾披露，今年 5 月，超过 70% 的用户让 Codex 处理需要人类一小时以上才能完成的工作；到 6 月，OpenAI 内部使用量最高的 1% 活跃用户每天产生超过 60 小时的 agent turns。

不过当任务落到不同场景里，难度很快就会拉开。与数学、代码和工程等 Agent 表现比较成熟的场景不同，真实生活环境更开放、需求更模糊。dots3-note preview 选择把「考场」放在这里，对自身的长程规划、判断与纠错能力提出了更高要求。

从多项主流 benchmark 数据来看，在多项推理及智能体任务上，模型可比肩甚至超过参数规模数倍于自身的大尺寸模型，视觉能力在同尺寸区间表现突出。

图源：官方技术博客

图源：官方技术博客

此前，小红书已经陆续开源了文本大模型 dots.llm1、多语言文档布局解析模型 dots.ocr 和多模态视觉理解大模型 dots.vlm1。最新的开源，补上了 Agent 这一块拼图。

一手实测：

它能真正完成复杂任务吗？

模型的真实能力，光看榜单远远不够。接下来，我们通过几个 case，来看看这款模型在面对信息零散、步骤繁多、环境持续变化的任务时，如何独立推进并交付结果的。

接管《杀戮尖塔 II》

先让 dots3-note preview 接管一局《杀戮尖塔 II》。

该游戏的难点在于，选什么路线、拿哪张牌、是否挑战精英、金币怎么花、营地选择休息还是升级，都会影响几十个回合后的生存概率。局部最优的选择，很可能给后面的 Boss 战埋下隐患。

模型事先并未针对这款游戏进行专门训练，却能根据战斗反馈学习卡牌和敌人机制，同时管理生命、牌组、金币与药水，在商店、营地和精英战之间不断权衡，一路玩到了 33 层。

从零破解 ARC-AGI 3

在长程推理任务 ARC-AGI 3 中，规则完全未知，模型需要观察画面，提出假设，再通过操作加以验证。

dots3-note preview 逐步发现两个方块上下同步、左右镜像规律，并摸索出危险格、可移动标记、压力开关和闸门等机制。

每当假设出错后，它会启动 Self-Critiquing 机制重新评估，将修正后的规则写入 memory.md，这个文件类似模型的记事本，持续保存对环境的动态理解。

最终，模型通过 320 步操作解开全部 6 关。

读图解决装修难题

持续学习与推理能力，最终还是要回到真实生活。

比如下面这个典型的装修难题：同时上传户型图和两款冰箱的参数截图，并补充信息：厨房靠近书房一侧的墙面，已经做了 1.5 米长的台面，现在想把冰箱放在这面墙上，究竟还能不能放下？

关键信息分散在不同图片和文字表述中，模型需要结合户型图、已有台面尺寸和两款冰箱规格，计算出墙面剩余空间，给出适配结论。它还主动提醒用户到现场复尺确认。

整个过程涉及视觉空间理解、复杂推理和工具调用，也体现出模型基于个人实际环境生成定制化答案的能力。

沿用刚才的户型图，继续让模型为书房设计几套实木风装修方案。

模型保留此前识别的尺寸与采光信息，搜索小红书相关笔记，整理四套实木风方案并生成网页，连续完成读图、计算、检索和内容生成。

端到端跑通 visionOS 应用开发

最后，来看 dots3-note preview 能否独立完成一个完整的端到端软件工程任务，让它「参考小红书的设计，开发一款 Apple Vision Pro 原生应用」。

接到任务后，模型没有急于写代码，它先理解产品需求并参考 9 张界面图，自主确定开发方案，包括采用 SwiftUI+RealityKit 技术路线，规划组织窗口、沉浸式空间和 3D 商品展示等不同模块。方案敲定后，它继续准备本地图片和 3D 模型等素材，再逐步完成代码实现。

整个项目生成 12 个 Swift 文件、1876 行代码，实现信息流、个人主页、私信、商品等界面，并接入 USDZ 3D 模型。随后，模型又自行生成 Xcode 工程、调用 xcodebuild 编译，并在 visionOS Simulator 中完成检查，最终显示「BUILD SUCCEEDED」。

从需求理解、技术选型到代码实现、编译和验证，这套开发流程最终被完整跑通。

从最后的成品来看，已经具备了一套比较完整的空间交互。信息流可以滚动、笔记能够进入详情页，个人主页、私信可以作为独立窗口展开。

用户还可以在购物界面中直接查看并切换不同的 3D 商品。

没有标准答案，

模型得持续学习，并给自己纠错

从几组实测来看，dots3-note preview 最突出的能力是边探索、边记住新信息，遇到变化或判断失误后再调整，直到把结果交付出来。它是怎么做到呢？关键在于两件事：学习并记住真正有用的信息，以及及时发现自身判断出现偏差并修正。

dots 实验室首先要解决的一个问题是：模型结束训练之后，能不能持续从环境和用户身上学习。

为了训练这种能力，dots 实验室构建了数千个不依赖先验知识的超长程新颖环境，让 Agent 在此前没有接触过的场景中持续探索，通过与环境交互学习新的规则和知识，用于后续决策。并且，当任务长度显著超过模型的上下文窗口后，模型不能始终依赖上下文中已有的信息。经过强化学习训练，它会逐渐学会如何保留对后续解决问题有用的信息。这项能力已经在 ARC-AGI 3 上得到了验证。

从下图可以看到，dots3-note preview 在 ARC-AGI-3 上以不到 500 美元的成本取得约 0.35 分，绝对分数虽低于 Claude Opus 4.8 (high)，但成本效率明显更高。

但要把这样的过程训练出来，又会遇到另一大麻烦：长程任务的探索成本太高，Agent 完成一次探索可能得跑上十几个小时。如果继续沿用依赖终局奖励的 value-free 强化学习方法，往往要等整条轨迹结束才能拿到训练信号，不仅效率低，也很难判断最后的成果或失败归因于前面的具体哪一步。

PPO 等 actor-critic 方法可以缓解这个问题，但传统 critic 通常通过一次固定算力的前向计算来估计当前状态的价值。面对复杂 Agent 任务，actor 可以反复推理、调用工具再决定下一步，critic 无法做到这样，很容易导致对当前进展的判断不准。

dots 实验室提出了 TEMPO（Test-time-scaled Value Estimation with Macro-step Policy Optimization），它把一条很长的轨迹切分成多个 macro-step，每一个包含多轮模型与环境的交互。一个阶段结束之后，模型会暂时从 actor 切换到 critic，并通过推理、工具调用和 test-time scaling 估计当前状态未来能获得多少回报，接着把这个评价变成尚未结束轨迹的训练信号。

值得注意的是，在 TEMPO 的训练过程中，模型既要学习如何行动，也要学习如何评价自己当前做得怎么样。借助这种自我评价，强化学习训练可以放到更长的任务中，并持续优化长轨迹中的行为。

结果显示，TEMPO 的优势主要出现在任务进入深水区之后。随着交互轮次增加，GRPO 和 Base checkpoint 的得分趋于停滞，TEMPO 仍能继续提升。从通关进度来看，三者也在任务后半程明显拉开差距。

而在引入 Self-Critiquing 机制之后，dots3-note preview 的自我评价能力比最初预想的更强。即使某个问题 Agent 还没有解出来，它也能从两个表面相似的中间状态中判断出哪个更有希望取得突破。

这样的自我评价能力除了用于强化学习训练，也体现在了推理阶段。在此前的 IMO 2026 参赛中，dots3-note preview 的同系列分支版本一边生成证明，一边通过工具调用反复对这些证明进行检查，并根据评价结果修改优化，最终拿下满分。

未来 dots 实验室将在「开放任务」中探索递归自我评价（recursive self-critiquing），让模型在缺少清晰外部奖励的情况下，能够自己判断任务进展，并据此调整记忆和规划后续行动。

小红书这套「主动记忆 + 超长轨迹强化学习 + 中途自评」的组合，给出了长程 Agent 进入现实世界的一种具体解法。

小红书为什么选择「真实生活长程 Agent」？

对于小红书这个生活兴趣社区来说，它天然接近这类真实生活任务。用户每天讨论的很多问题不仅没有唯一答案，很多时候连用户自己也未必想清楚了最终想要什么。

旅行、婚礼、家装、穿搭等本身就带有偏好不一、条件不断补充、多模态信息密集等特征。小红书长期面对的就是这类复杂长程需求，因此很自然地把它们作为 Agent 的重点研究和应用场景。

数学、代码等其他领域的 Agent 已经让行业看到，在目标相对清晰、结果能够验证的环境里，AI 可以把复杂任务拆成大量步骤，并持续执行很长时间。真实生活中的条件麻烦得多，没有随处可用的测试用例，目标和约束还会随着任务一起变化。这种模糊性让长程 Agent 的短板暴露得更加明显。

dots 实验室开源的两套评测基准，把差距与不足直观地摆了出来。

一套是 VibeSearchBench，它考察「当用户没有一次说清需求，Agent 能不能弄明白他到底想要什么」，覆盖 20 个领域、200 项任务。评测模拟真实用户，在多轮对话中逐步补充需求和限制条件，再看模型能否准确理解用户想要什么。

另一套是 VibeLifeBench，强调时间和环境变化，考察「外部条件变化之后，Agent 还能不能跟得住」，覆盖 10 个领域、20 项任务，每项任务包含 20 到 30 个阶段，并设置 1247 项 atomic checks，用于检查状态能否保持一致、工具有没有正确执行，以及最后交付了什么。

结果显示，即便是 Claude Opus 5、GPT-5.5 这样的全球头部模型，在这两套评测基准中也没有达到设定的及格水平。

图左为 VibeSearchBench 完整榜单，图右为 VibeLifeBench 完整榜单。

• VibeSearchBench 主页：https://vibebench.github.io/VibeSearchBench.github.io/

• VibeLifeBench 主页：https://vibebench.github.io/VibeLifeBench_homepage/

这些结果说明了一件事：模型在高难度单点任务上已足够强，但把这种能力稳定维持数小时甚至更久，仍是 Agent 力所不及的地方。小红书对此的探索与布局才刚刚开始。

dots3-note 是 dots3 系列中最轻量级的版本，目前开源的 preview 版本在体验和细节上仍有继续优化的空间。据 dots 实验室透露，dots3-note 正式版也将于近期开源。未来 dots3 系列还将推出 jazz 和 aria，与 note 组成三个层级，覆盖不同任务复杂度、响应速度和计算成本的应用需求。

更多训练方法细节请查看官方技术博客（中文）：https://studio.dots.ai/dots/dots3-zh.html

© THE END

本文为机器之心授权转载文章