1. dots3-note 是什么从“数学满分模型”到开源推理模型最近 AI 圈里关于数学推理模型的消息热度很高。特别是“IMO 42 分满分”成了不少技术群里的高频词很多同学一看到“满分”就开始关注背后的模型到底做了什么、能不能拿来自己部署。这次小红书开源了 dots3-note 系列模型一时间在 GitHub、开源社区和 CSDN 后台都引起了大量讨论。先来把概念理顺。1.1 dots3-note 到底是什么dots3-note 可以看作一个面向数学推理、结构化问题拆解和长链路逻辑推演的开源模型系列。这里的 “dots” 强调的是“逐步推导”的能力也就是把复杂问题拆成多个可验证的中间步骤“note” 则体现它更适合做笔记式、注解式、CoTChain of Thought思维链风格的输出。很多同学容易把它理解成“又一个 ChatGLM”或者“又一个 Qwen”但实际上 dots3-note 的侧重点要更聚焦一些它更擅长数学竞赛题、算法推导、代码逻辑分析、科学问题拆解这类高密度推理任务。1.2 为什么“IMO 42 分满分同系列”会被反复提起IMO 是国际数学奥林匹克竞赛的缩写题目难度很高。之前的 DeepSeek-R1 系列在 IMO 2025 评测中拿到了 42 分满分这个成绩本身就说明模型在数学推理上已经达到很高水平。dots3-note 被称为“同系列”说明它继承了以下能力长思维链建模能力。数学公式与符号理解能力。自我纠错与回溯推理能力。结构化输出能力。不过需要提醒大家“同系列”不等于“同一个模型”也不等于“所有能力完全相同”。不同模型的参数量、知识截止时间、微调数据和许可证都可能不同。你在实际项目中使用时还是需要根据自己的任务重新评估效果。1.3 dots3-note 适合哪些场景数学题自动求解与解析。竞赛编程题的思路生成。数据科学中的公式推导。算法论文研读与伪代码转换。教育培训场景下的分步讲解。大模型应用里需要“先分析再回答”的复杂 Agent 任务。如果你是做后端开发、算法工程或者 AI 应用落地dots3-note 最值得关注的不是“它能在 IMO 拿满分”而是它以开源方式提供了可本地部署、可微调、可私有化的数学推理能力。2. 技术拆解从模型架构到推理能力来源为了能让你在后续部署和调优时少踩坑先简单拆一拆这类推理模型的技术构成。这部分不涉及源码级分析但会让你更清楚“它为什么擅长数学”。2.1 核心思路强化学习驱动的推理能力dots3-note 这类推理增强模型通常经历了多个阶段。第一阶段是通用预训练也就是在海量文本、代码、数学数据上进行自监督学习让模型具备基础语言能力和常识。第二阶段是监督微调使用大量高质量问答对、逐步解题数据来调整模型输出格式让模型学会输出“推理步骤”而不是直接给答案。第三阶段是强化学习用可验证的奖励信号来优化策略。比如数学题可以用“最终答案是否正确”作为奖励。模型在尝试过程中会生成大量推理路径奖励正确的路径、抑制错误的路径经过多轮迭代模型逐渐学会更长、更严谨的推理链。这里面有一个常见理解误区模型不是靠记住题目答案来拿分的而是靠学会“如何推理”来泛化到新题目上。所以它面对没见过的变体题时依然能给出较高质量的推导。2.2 CoT 思维链与推理长度的平衡CoT 是 Chain of Thought 的缩写意思是让模型在给出结论之前先生成一步步的思考过程。dots3-note 系列的一大特点就是输出内容里往往带有比较明显的中间推导结构例如已知条件... 第一步设... 第二步根据 XX 定理... 第三步化简... 验证把结果代回原方程... 结论...这种结构在实际工程里的价值很大因为它让模型输出的“可解释性”更强也方便你做结果校验。不过需要留心的是推理长度增加会带来两个问题响应延迟上升。占用上下文窗口影响整体可用长度。所以很多使用 dots3-note 的工程方案都会在推理服务层做max_tokens 上限调整避免模型在不需要长推理的场景下依然输出大段思考。2.3 MoE 或稠密部署方式差异目前开源大模型的主流路线分为 MoEMixture of Experts混合专家模型和稠密模型两种。MoE 模型参数总量很大但推理时只激活部分参数适合高并发、多用户场景不过显存需求通常更高部署也复杂一些。稠密模型结构更简单部署成本相对可控更适合单机演示和小团队私有化。dots3-note 的具体参数分配方式建议以官方 Hugging Face 模型卡为准。我不确定的部分不向你瞎猜。更多时候普通开发者其实只需要知道你的显卡显存大小和模型量化版本决定了你能不能本地跑起来。这部分下面给一个通用的本地部署方案重点是给你一套“照着做就能跑”的流程具体版本号请以你下载的模型为准。3. 环境准备与模型获取本地部署前的准备工作想最快速度把 dots3-note 跑起来建议你先把基础环境准备好。这里我不假定你用的是 Windows、Linux 还是 Mac直接给一个最通用的版本清单。3.1 软硬件建议配置项建议要求说明操作系统Ubuntu 20.04 或更高生产部署首选 Linux很多推理库在 Linux 下支持最好Python3.9 - 3.11太老的版本对 transformers 支持不好PyTorch2.1 及以上具体以模型卡要求为准CUDA11.8 或 12.x取决于你的显卡驱动显存24GB 及以上量化版可低一些如果是 7B 级别全精度模型大约需要 16-20GB内存32GB 以上CPU offload 时需要更大内存硬盘至少 50GB 可用空间模型权重文件较大注意如果显存不足也可以使用 CPU 推理但速度会明显偏慢只建议用于功能验证。3.2 创建虚拟环境强烈建议用 conda 或者 venv 创建独立环境不要直接装在系统全局 Python 里否则后面装依赖很容易把环境搞乱。conda create -n dots3-note python3.10 -y conda activate dots3-note如果你更习惯 venv也可以这样python3 -m venv dots3-note-env source dots3-note-env/bin/activate3.3 安装核心依赖pip install --upgrade pip pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install transformers accelerate huggingface_hub上面的 PyTorch 安装命令以 CUDA 12.1 为例。如果你的 CUDA 版本不同可以到 PyTorch 官网选择对应的安装命令。3.4 下载模型权重推荐使用 Hugging Face Hub 上的仓库地址进行下载。如果你不方便直接访问 Hugging Face也可以使用国内镜像站点比如一些高校或开源镜像站提供的 Hugging Face 镜像服务。下载方式一使用 huggingface_hubfrom huggingface_hub import snapshot_download # 请将 repo_id 替换为你实际要下载的模型 ID model_repo your-org/dots3-note-7b snapshot_download( repo_idmodel_repo, local_dir./dots3-note-model, local_dir_use_symlinksFalse )下载方式二使用 git lfsgit lfs install git clone https://huggingface.co/your-org/dots3-note-7b需要注意几点下载前先查看模型卡页面。部分仓库需要先同意使用协议获取访问权限后才能下载。请将上述your-org/dots3-note-7b替换为你实际使用的仓库名这里只是示例占位。模型文件动辄几个 GB 甚至几十 GB下载时请保证网络稳定。也请记得下载和使用开源模型前仔细确认它的开源许可证类型比如 MIT、Apache 2.0 或者一些带附加条款的自定义协议。尤其要关注是否允许商用、是否需要保留版权信息、是否有“月活用户超阈值需申请商业授权”等条件。不同开源许可证的理解方式本质上和我们在 GitHub 上选开源许可证时的考虑是一致的。4. 快速体验推理用 Transformers 跑一次数学题环境准备好后下面用一段完整的 Python 代码来测试模型效果。建议在项目根目录下新建一个test_infer.py文件。4.1 完整的推理示例代码# 文件路径test_infer.py import torch from transformers import AutoModelForCausalLM, AutoTokenizer # 1. 模型标识请替换为实际的模型路径或模型仓库 ID model_path ./dots3-note-model print(开始加载 Tokenizer...) tokenizer AutoTokenizer.from_pretrained( model_path, trust_remote_codeTrue ) print(开始加载模型...) model AutoModelForCausalLM.from_pretrained( model_path, torch_dtypetorch.bfloat16, device_mapauto, trust_remote_codeTrue ) # 2. 使用一个数学推理问题测试 question 设 f(x) x^3 - 3x^2 2x - 1求 f(x) 在区间 [0, 3] 上的最大值。 messages [ {role: user, content: question} ] prompt tokenizer.apply_chat_template( messages, tokenizeFalse, add_generation_promptTrue ) inputs tokenizer(prompt, return_tensorspt).to(model.device) # 3. 注意推理类模型需要给足输出长度 outputs model.generate( **inputs, max_new_tokens2048, do_sampleFalse, temperatureNone, top_pNone, ) response tokenizer.decode(outputs[0][inputs[input_ids].shape[1]:], skip_special_tokensTrue) print(模型输出) print(response)这段代码的作用如下AutoTokenizer负责把文本转换成模型能理解的 token 序列。AutoModelForCausalLM负责加载自回归语言模型。device_mapauto让模型自动选择放 GPU 还是 CPU。max_new_tokens2048很关键推理模型如果给的生成长度太短会在中途截断。do_sampleFalse表示使用贪心解码保证输出相对稳定。4.2 运行代码python test_infer.py如果一切正常你会看到模型输出类似这样的结构第一步求导数。 f(x) 3x^2 - 6x 2 第二步令 f(x) 0。 3x^2 - 6x 2 0 解方程得 x 1 ± sqrt(3)/3 第三步确认 x 是否落在区间 [0, 3] 内。 ... 最大值是 ...不夸张地说从“只给答案”到“带完整推导步骤”正是这一类推理增强模型最容易感知到的差异。4.3 显存不足时可以怎么做如果你在 16GB 显存的卡上跑较大模型出现 OOM可以试试以下调整使用 4-bit 量化加载。打开 CPU offload。调小 batch size。这里补充一个使用bitsandbytes加载 4-bit 模型的参考片段from transformers import BitsAndBytesConfig quantization_config BitsAndBytesConfig( load_in_4bitTrue, bnb_4bit_compute_dtypetorch.bfloat16, bnb_4bit_quant_typenf4, bnb_4bit_use_double_quantTrue ) model AutoModelForCausalLM.from_pretrained( model_path, quantization_configquantization_config, device_mapauto, trust_remote_codeTrue )需要先安装pip install bitsandbytes4-bit 量化会损失少量精度对数学题这类任务可能会有一定影响但大部分场景下仍然可用。5. 服务化部署用 vLLM 开启 OpenAI 兼容接口真实项目里不可能每次推理都临时执行 Python 脚本。要想集成到后端服务高效方案是把它封装成一个支持 OpenAI 协议的服务。vLLM 是目前主流的高吞吐推理框架工程上很受欢迎。5.1 安装 vLLMpip install vllm不同显卡架构对 vLLM 的兼容性有差异遇到报错时先查询 vLLM 官方文档中的版本支持矩阵不要盲目升级到最新版本。5.2 启动 OpenAI 兼容服务python -m vllm.entrypoints.openai.api_server \ --model your-org/dots3-note-7b \ --served-model-name dots3-note \ --tensor-parallel-size 1 \ --max-model-len 8192 \ --port 8000参数说明--model模型路径或仓库 ID。--served-model-name对外暴露的模型名称客户端调用时会用到。--tensor-parallel-size使用几张 GPU 做张量并行。单卡就填 1。--max-model-len最大上下文长度。模型如果支持更长上下文可以适当调大但会占用更多显存。--port服务监听端口。5.3 使用 requests 调用服务启动成功后用 Python 测试# 文件路径test_api.py import requests import json url http://localhost:8000/v1/chat/completions payload { model: dots3-note, messages: [ {role: user, content: 证明质数有无穷多个。} ], temperature: 0.2, max_tokens: 4096 } resp requests.post(url, jsonpayload, timeout120) result resp.json() if choices in result: content result[choices][0][message][content] print(content) else: print(请求失败, result)之所以把max_tokens设得比较大是为了避免数学证明这种长推导任务在中间被截断拿不到完整步骤。5.4 Java 后端集成示例如果你所在的项目是 Java 技术栈后端一般不会直接调 Python 代码而是通过 HTTP 接口访问模型服务。这里给一个 Spring Boot 环境下的标准调用方式。首先在pom.xml中引入依赖dependency groupIdorg.apache.httpcomponents.client5/groupId artifactIdhttpclient5/artifactId version5.3.1/version /dependency dependency groupIdcom.fasterxml.jackson.core/groupId artifactIdjackson-databind/artifactId version2.15.3/version /dependency然后写一个简单的 HttpService// 文件路径src/main/java/com/example/ai/LLMService.java package com.example.ai; import com.fasterxml.jackson.databind.JsonNode; import com.fasterxml.jackson.databind.ObjectMapper; import com.fasterxml.jackson.databind.node.ArrayNode; import com.fasterxml.jackson.databind.node.ObjectNode; import org.apache.hc.client5.http.classic.methods.HttpPost; import org.apache.hc.client5.http.impl.classic.CloseableHttpClient; import org.apache.hc.client5.http.impl.classic.CloseableHttpResponse; import org.apache.hc.client5.http.impl.classic.HttpClients; import org.apache.hc.core5.http.ContentType; import org.apache.hc.core5.http.io.entity.StringEntity; import org.springframework.stereotype.Service; import java.io.BufferedReader; import java.io.InputStreamReader; import java.nio.charset.StandardCharsets; Service public class LLMService { private final ObjectMapper objectMapper new ObjectMapper(); public String chat(String userMessage) throws Exception { String url http://127.0.0.1:8000/v1/chat/completions; ObjectNode body objectMapper.createObjectNode(); body.put(model, dots3-note); body.put(temperature, 0.2); body.put(max_tokens, 4096); ArrayNode messages body.putArray(messages); ObjectNode userObj messages.addObject(); userObj.put(role, user); userObj.put(content, userMessage); HttpPost post new HttpPost(url); post.setHeader(Content-Type, application/json); post.setEntity(new StringEntity(body.toString(), ContentType.APPLICATION_JSON)); try (CloseableHttpClient client HttpClients.createDefault(); CloseableHttpResponse response client.execute(post)) { BufferedReader reader new BufferedReader( new InputStreamReader(response.getEntity().getContent(), StandardCharsets.UTF_8) ); StringBuilder sb new StringBuilder(); String line; while ((line reader.readLine()) ! null) { sb.append(line); } JsonNode root objectMapper.readTree(sb.toString()); return root.path(choices).path(0).path(message).path(content).asText(); } } }再写一个 Controller 提供 HTTP 入口// 文件路径src/main/java/com/example/ai/LLMController.java package com.example.ai; import org.springframework.web.bind.annotation.*; import java.util.Map; RestController RequestMapping(/api/ai) public class LLMController { private final LLMService llmService; public LLMController(LLMService llmService) { this.llmService llmService; } PostMapping(/chat) public MapString, String chat(RequestBody MapString, String request) { String message request.get(message); try { String answer llmService.chat(message); return Map.of(code, 0, data, answer); } catch (Exception e) { return Map.of(code, 500, message, e.getMessage()); } } }这样 Java 后端就可以稳定接上开源推理模型了。后续做限流、缓存、日志埋点都是在 Controller 层继续扩展。6. 如何把 dots3-note 用在自己的应用里合理评估与功能边界作为程序员我们更需要冷静评估一件事大模型不是万能的它能拿 IMO 满分不代表任何数学问题都不会错。在你的应用里合理设置“能力边界”比夸大规模能力更重要。6.1 适合用它做的功能数学题分步讲解服务。算法题思路提示与代码生成。数据报表的自然语言查询逻辑解析。复杂 Agent 的规划模块。知识库问答中需要多步推理的问题。6.2 不适合用它做的功能简单实体抽取比如从一句话里抠出人名、地名和日期用一个小的 NER 模型更划算。高频短文本分类。有严格实时性要求的在线接口。这类高密度推理模型通常参数量不低单次推理耗时比小模型长。如果你只是做关键词匹配或文本分类专门为它部署服务成本会偏高。6.3 工程接入时的结果校验思路数学题回答不能只看最终结果。在正式业务里建议额外加一道校验程序如果题目答案是确定的例如选择题或填空题在业务层做答案比对。如果模型输出带推导步骤写一个规则检查输出里是否包含必要的数学符号和结构。引入“两次采样一致性”机制用较低 temperature 生成两次回答如果核心答案一致判定可信度更高。伪代码思路def verify_answer(generate_func, question, times2): answers [] for _ in range(times): output generate_func(question) answers.append(extract_final_answer(output)) if len(set(answers)) 1: return answers[0], True else: return answers, False注意两次采样一致性只能是辅助策略不能完全替代人工校验。7. 微调与私有化进阶玩法探索如果你不止想用现成能力还想让 dots3-note 更贴合自己的私有数据比如让它更熟悉你所在行业里特定题型和术语那可以尝试对它做轻量微调。7.1 准备训练数据格式推荐使用 OpenAI 微调风格的 JSONL 格式。每行是一个 JSON 对象包含 messages 字段。{messages: [{role: user, content: 请解方程 x^2 - 5x 6 0}, {role: assistant, content: 第一步因式分解。x^2 - 5x 6 (x - 2)(x - 3)。第二步令每个因式等于零。x - 2 0 或 x - 3 0。因此 x 2 或 x 3。}]}7.2 使用 LLaMA-Factory 微调LLaMA-Factory 是目前社区使用率较高的开源微调框架支持 LoRA、QLoRA 等多种高效微调方式。安装git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e .启动训练llamafactory-cli train \ --model_name_or_path your-org/dots3-note-7b \ --stage sft \ --dataset_dir ./data \ --dataset math_train \ --finetuning_type lora \ --output_dir ./output/math-lora \ --num_train_epochs 3 \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 4 \ --learning_rate 2e-4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 500 \ --save_total_limit 2 \ --fp16参数解释--finetuning_type lora使用 LoRA 也就是低秩适配方案只训练一小部分参数显存占用低。--dataset对应你准备好的数据集名称数据集需要在data/dataset_info.json中注册。--output_dir训练完的 LoRA 权重保存路径。7.3 合并 LoRA 权重训练完成后LoRA 权重只是附加的小权重文件建议先合并回原始模型生成独立模型目录再重新部署。llamafactory-cli export \ --model_name_or_path your-org/dots3-note-7b \ --adapter_name_or_path ./output/math-lora \ --export_dir ./output/dots3-note-math-merged \ --export_size 4 \ --export_legacy_format false微调过程有几个特别提醒训练数据质量远重要于数量几百条高质量分步解析效果可能好过几万条噪声数据。不要使用测试集数据参与训练否则会高估模型真实效果。微调完成后应该在独立验证集上重新做效果评估不能只看训练 loss。8. 常见问题与排查思路这部分汇总了实际部署中使用 dot3-note 一类推理模型最高频遇到的问题建议收藏备用。问题现象常见原因解决思路加载模型时报 “CUDA out of memory”显存不足或模型全量加载升级显卡或者改用 4-bit 量化也可以开启 CPU offload 缓解生成内容在中途停止max_new_tokens 设置过短调大max_new_tokens或max_tokens推理速度很慢未开启推理优化或用了 CPU使用 vLLM 部署确认模型加载在 GPU 上输出有官方“安全提示”或空回复提示词格式不符合模型要求按模型卡的 chat template 调整 prompt调用 vLLM 接口时错误消息提示 “model not found”served-model-name 不一致检查启动参数是否与请求时的 model 字段匹配下载模型被拒Hugging Face 仓库需要先同意协议先在模型页面点击 agree 并配置访问令牌微调后效果变差数据质量差或重复样本过多清洗数据去重检查训练集是否与推理场景匹配中文输出夹杂大量英文推导系统提示词没有强调中文输出在 system prompt 明确写“请使用中文作答”多轮对话时出现“幻觉继承”前文模型推导出错后面一直沿用错误方向更聚焦短期对话上下文必要时每轮重新构建思考起点减少上下文噪声干扰其中比较值得单独展开的是“幻觉继承”问题也就是模型先写错一步后面的每一步推导虽然形式正确但整体方向已经错了。这类问题没有银弹方案工程上最实用的是设定输出格式要求“最后单独输出结论”便于程序提取答案。在答案后追加一道“把结果代入原题验证”的约束让模型自己检查。这条思路在数学推理类模型上很常见效果也还可以。9. 最佳实践与工程建议最后从项目工程化的角度给出一组可以直接落地的最佳实践建议。9.1 多环境隔离环境必须隔离模型服务、后端服务、数据库服务尽量分离开。用 Docker 部署 vLLM 时给容器设置明确的显存限额。用 Kubernetes 部署时给模型服务单独配置 GPU 节点池。推理服务和在线业务服务之间加一层超时控制避免模型推理阻塞业务线程。9.2 安全与权限最小化模型服务接口只在内网暴露不要直接映射到公网。在网关层做 API Key 鉴权。如涉及私有数据和行业术语避免使用外部模型 API 传输敏感数据优先考虑本地化部署开源模型。严格遵守模型的开源许可协议特别关注商用条件是否满足。9.3 日志与可观测性大模型应用里日志记录往往被低估。强烈建议对每次推理请求记录输入的 prompt 摘要。输出 token 数。推理耗时。使用了什么参数。是否触发安全拒答。有了这些数据你才能在自己的业务场景里持续优化系统提示词和模型参数。9.4 提前设计好提示词模板不要每次都在业务代码里拼 prompt而是把各类场景的提示词提前做成配置项。示例{ math_solver: { system: 你是一个严谨的数学解题助手。请逐步推导给出过程最后单独一行输出最终结论。要求使用中文。, temperature: 0.1, max_tokens: 4096 }, code_analyzer: { system: 你是一个算法讲解助手。请先分析题目思路再给出代码。, temperature: 0.2, max_tokens: 2048 } }这样调整行为时不用改代码只需要修改配置文件。10. 总结与下一步学习路线到这里关于 dots3-note 的完整技术解析和应用落地思路已经全部过了一遍。我们来把关键点重新梳理一遍。从能力层面dots3-note 是一个以数学推理见长的开源模型能够输出带中间推导过程的 CoT 结果。这种能力覆盖的不仅是一道道数学题也包括算法思路拆解、复杂 Agent 规划、论文逻辑推导等更深层的任务。对开发者来说这类推理增强模型补齐了过去通用助手“能说不能算”的短板。从应用层面你需要重点理解的是“模型能力”和“工程落地”之间的区别。跑通一个 Python demo 是五分钟的事情但真正把它稳定地嵌入到后端服务里需要考虑模型推理服务化、API 鉴权、超时控制、结果格式解析、业务代码异常兜底、日志审计等一系列问题。学会把模型当成一个带智能的模块来设计而不是一个单独的脚本是 AI 工程化落地很关键的一步。接下来你可以继续拓展的方向包括深入理解强化学习如何在语言模型上做训练。学习 vLLM 的 PagedAttention 原理和调度策略。尝试用 LLaMA-Factory 在自己的数据集上做 LoRA 微调。对比其他开源推理模型在不同任务上的效果差异。在实际项目中投入生产前最优先关注的仍然是合规与安全边界确认许可证是否允许商用如果面向公众提供服务还需要确认内容安全策略、用户隐私保护和敏感信息过滤满足业务要求。技术再强也要在边界范围内使用才有意义。如果这篇文章对你有帮助建议先收藏备用。后面遇到推理部署、二次开发和性能优化问题时可以随时回来对照排查。也欢迎在评论区分享你的部署结果或遇到的问题一起交流进步。
1. dots3-note 是什么从“数学满分模型”到开源推理模型最近 AI 圈里关于数学推理模型的消息热度很高。特别是“IMO 42 分满分”成了不少技术群里的高频词很多同学一看到“满分”就开始关注背后的模型到底做了什么、能不能拿来自己部署。这次小红书开源了 dots3-note 系列模型一时间在 GitHub、开源社区和 CSDN 后台都引起了大量讨论。先来把概念理顺。1.1 dots3-note 到底是什么dots3-note 可以看作一个面向数学推理、结构化问题拆解和长链路逻辑推演的开源模型系列。这里的 “dots” 强调的是“逐步推导”的能力也就是把复杂问题拆成多个可验证的中间步骤“note” 则体现它更适合做笔记式、注解式、CoTChain of Thought思维链风格的输出。很多同学容易把它理解成“又一个 ChatGLM”或者“又一个 Qwen”但实际上 dots3-note 的侧重点要更聚焦一些它更擅长数学竞赛题、算法推导、代码逻辑分析、科学问题拆解这类高密度推理任务。1.2 为什么“IMO 42 分满分同系列”会被反复提起IMO 是国际数学奥林匹克竞赛的缩写题目难度很高。之前的 DeepSeek-R1 系列在 IMO 2025 评测中拿到了 42 分满分这个成绩本身就说明模型在数学推理上已经达到很高水平。dots3-note 被称为“同系列”说明它继承了以下能力长思维链建模能力。数学公式与符号理解能力。自我纠错与回溯推理能力。结构化输出能力。不过需要提醒大家“同系列”不等于“同一个模型”也不等于“所有能力完全相同”。不同模型的参数量、知识截止时间、微调数据和许可证都可能不同。你在实际项目中使用时还是需要根据自己的任务重新评估效果。1.3 dots3-note 适合哪些场景数学题自动求解与解析。竞赛编程题的思路生成。数据科学中的公式推导。算法论文研读与伪代码转换。教育培训场景下的分步讲解。大模型应用里需要“先分析再回答”的复杂 Agent 任务。如果你是做后端开发、算法工程或者 AI 应用落地dots3-note 最值得关注的不是“它能在 IMO 拿满分”而是它以开源方式提供了可本地部署、可微调、可私有化的数学推理能力。2. 技术拆解从模型架构到推理能力来源为了能让你在后续部署和调优时少踩坑先简单拆一拆这类推理模型的技术构成。这部分不涉及源码级分析但会让你更清楚“它为什么擅长数学”。2.1 核心思路强化学习驱动的推理能力dots3-note 这类推理增强模型通常经历了多个阶段。第一阶段是通用预训练也就是在海量文本、代码、数学数据上进行自监督学习让模型具备基础语言能力和常识。第二阶段是监督微调使用大量高质量问答对、逐步解题数据来调整模型输出格式让模型学会输出“推理步骤”而不是直接给答案。第三阶段是强化学习用可验证的奖励信号来优化策略。比如数学题可以用“最终答案是否正确”作为奖励。模型在尝试过程中会生成大量推理路径奖励正确的路径、抑制错误的路径经过多轮迭代模型逐渐学会更长、更严谨的推理链。这里面有一个常见理解误区模型不是靠记住题目答案来拿分的而是靠学会“如何推理”来泛化到新题目上。所以它面对没见过的变体题时依然能给出较高质量的推导。2.2 CoT 思维链与推理长度的平衡CoT 是 Chain of Thought 的缩写意思是让模型在给出结论之前先生成一步步的思考过程。dots3-note 系列的一大特点就是输出内容里往往带有比较明显的中间推导结构例如已知条件... 第一步设... 第二步根据 XX 定理... 第三步化简... 验证把结果代回原方程... 结论...这种结构在实际工程里的价值很大因为它让模型输出的“可解释性”更强也方便你做结果校验。不过需要留心的是推理长度增加会带来两个问题响应延迟上升。占用上下文窗口影响整体可用长度。所以很多使用 dots3-note 的工程方案都会在推理服务层做max_tokens 上限调整避免模型在不需要长推理的场景下依然输出大段思考。2.3 MoE 或稠密部署方式差异目前开源大模型的主流路线分为 MoEMixture of Experts混合专家模型和稠密模型两种。MoE 模型参数总量很大但推理时只激活部分参数适合高并发、多用户场景不过显存需求通常更高部署也复杂一些。稠密模型结构更简单部署成本相对可控更适合单机演示和小团队私有化。dots3-note 的具体参数分配方式建议以官方 Hugging Face 模型卡为准。我不确定的部分不向你瞎猜。更多时候普通开发者其实只需要知道你的显卡显存大小和模型量化版本决定了你能不能本地跑起来。这部分下面给一个通用的本地部署方案重点是给你一套“照着做就能跑”的流程具体版本号请以你下载的模型为准。3. 环境准备与模型获取本地部署前的准备工作想最快速度把 dots3-note 跑起来建议你先把基础环境准备好。这里我不假定你用的是 Windows、Linux 还是 Mac直接给一个最通用的版本清单。3.1 软硬件建议配置项建议要求说明操作系统Ubuntu 20.04 或更高生产部署首选 Linux很多推理库在 Linux 下支持最好Python3.9 - 3.11太老的版本对 transformers 支持不好PyTorch2.1 及以上具体以模型卡要求为准CUDA11.8 或 12.x取决于你的显卡驱动显存24GB 及以上量化版可低一些如果是 7B 级别全精度模型大约需要 16-20GB内存32GB 以上CPU offload 时需要更大内存硬盘至少 50GB 可用空间模型权重文件较大注意如果显存不足也可以使用 CPU 推理但速度会明显偏慢只建议用于功能验证。3.2 创建虚拟环境强烈建议用 conda 或者 venv 创建独立环境不要直接装在系统全局 Python 里否则后面装依赖很容易把环境搞乱。conda create -n dots3-note python3.10 -y conda activate dots3-note如果你更习惯 venv也可以这样python3 -m venv dots3-note-env source dots3-note-env/bin/activate3.3 安装核心依赖pip install --upgrade pip pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install transformers accelerate huggingface_hub上面的 PyTorch 安装命令以 CUDA 12.1 为例。如果你的 CUDA 版本不同可以到 PyTorch 官网选择对应的安装命令。3.4 下载模型权重推荐使用 Hugging Face Hub 上的仓库地址进行下载。如果你不方便直接访问 Hugging Face也可以使用国内镜像站点比如一些高校或开源镜像站提供的 Hugging Face 镜像服务。下载方式一使用 huggingface_hubfrom huggingface_hub import snapshot_download # 请将 repo_id 替换为你实际要下载的模型 ID model_repo your-org/dots3-note-7b snapshot_download( repo_idmodel_repo, local_dir./dots3-note-model, local_dir_use_symlinksFalse )下载方式二使用 git lfsgit lfs install git clone https://huggingface.co/your-org/dots3-note-7b需要注意几点下载前先查看模型卡页面。部分仓库需要先同意使用协议获取访问权限后才能下载。请将上述your-org/dots3-note-7b替换为你实际使用的仓库名这里只是示例占位。模型文件动辄几个 GB 甚至几十 GB下载时请保证网络稳定。也请记得下载和使用开源模型前仔细确认它的开源许可证类型比如 MIT、Apache 2.0 或者一些带附加条款的自定义协议。尤其要关注是否允许商用、是否需要保留版权信息、是否有“月活用户超阈值需申请商业授权”等条件。不同开源许可证的理解方式本质上和我们在 GitHub 上选开源许可证时的考虑是一致的。4. 快速体验推理用 Transformers 跑一次数学题环境准备好后下面用一段完整的 Python 代码来测试模型效果。建议在项目根目录下新建一个test_infer.py文件。4.1 完整的推理示例代码# 文件路径test_infer.py import torch from transformers import AutoModelForCausalLM, AutoTokenizer # 1. 模型标识请替换为实际的模型路径或模型仓库 ID model_path ./dots3-note-model print(开始加载 Tokenizer...) tokenizer AutoTokenizer.from_pretrained( model_path, trust_remote_codeTrue ) print(开始加载模型...) model AutoModelForCausalLM.from_pretrained( model_path, torch_dtypetorch.bfloat16, device_mapauto, trust_remote_codeTrue ) # 2. 使用一个数学推理问题测试 question 设 f(x) x^3 - 3x^2 2x - 1求 f(x) 在区间 [0, 3] 上的最大值。 messages [ {role: user, content: question} ] prompt tokenizer.apply_chat_template( messages, tokenizeFalse, add_generation_promptTrue ) inputs tokenizer(prompt, return_tensorspt).to(model.device) # 3. 注意推理类模型需要给足输出长度 outputs model.generate( **inputs, max_new_tokens2048, do_sampleFalse, temperatureNone, top_pNone, ) response tokenizer.decode(outputs[0][inputs[input_ids].shape[1]:], skip_special_tokensTrue) print(模型输出) print(response)这段代码的作用如下AutoTokenizer负责把文本转换成模型能理解的 token 序列。AutoModelForCausalLM负责加载自回归语言模型。device_mapauto让模型自动选择放 GPU 还是 CPU。max_new_tokens2048很关键推理模型如果给的生成长度太短会在中途截断。do_sampleFalse表示使用贪心解码保证输出相对稳定。4.2 运行代码python test_infer.py如果一切正常你会看到模型输出类似这样的结构第一步求导数。 f(x) 3x^2 - 6x 2 第二步令 f(x) 0。 3x^2 - 6x 2 0 解方程得 x 1 ± sqrt(3)/3 第三步确认 x 是否落在区间 [0, 3] 内。 ... 最大值是 ...不夸张地说从“只给答案”到“带完整推导步骤”正是这一类推理增强模型最容易感知到的差异。4.3 显存不足时可以怎么做如果你在 16GB 显存的卡上跑较大模型出现 OOM可以试试以下调整使用 4-bit 量化加载。打开 CPU offload。调小 batch size。这里补充一个使用bitsandbytes加载 4-bit 模型的参考片段from transformers import BitsAndBytesConfig quantization_config BitsAndBytesConfig( load_in_4bitTrue, bnb_4bit_compute_dtypetorch.bfloat16, bnb_4bit_quant_typenf4, bnb_4bit_use_double_quantTrue ) model AutoModelForCausalLM.from_pretrained( model_path, quantization_configquantization_config, device_mapauto, trust_remote_codeTrue )需要先安装pip install bitsandbytes4-bit 量化会损失少量精度对数学题这类任务可能会有一定影响但大部分场景下仍然可用。5. 服务化部署用 vLLM 开启 OpenAI 兼容接口真实项目里不可能每次推理都临时执行 Python 脚本。要想集成到后端服务高效方案是把它封装成一个支持 OpenAI 协议的服务。vLLM 是目前主流的高吞吐推理框架工程上很受欢迎。5.1 安装 vLLMpip install vllm不同显卡架构对 vLLM 的兼容性有差异遇到报错时先查询 vLLM 官方文档中的版本支持矩阵不要盲目升级到最新版本。5.2 启动 OpenAI 兼容服务python -m vllm.entrypoints.openai.api_server \ --model your-org/dots3-note-7b \ --served-model-name dots3-note \ --tensor-parallel-size 1 \ --max-model-len 8192 \ --port 8000参数说明--model模型路径或仓库 ID。--served-model-name对外暴露的模型名称客户端调用时会用到。--tensor-parallel-size使用几张 GPU 做张量并行。单卡就填 1。--max-model-len最大上下文长度。模型如果支持更长上下文可以适当调大但会占用更多显存。--port服务监听端口。5.3 使用 requests 调用服务启动成功后用 Python 测试# 文件路径test_api.py import requests import json url http://localhost:8000/v1/chat/completions payload { model: dots3-note, messages: [ {role: user, content: 证明质数有无穷多个。} ], temperature: 0.2, max_tokens: 4096 } resp requests.post(url, jsonpayload, timeout120) result resp.json() if choices in result: content result[choices][0][message][content] print(content) else: print(请求失败, result)之所以把max_tokens设得比较大是为了避免数学证明这种长推导任务在中间被截断拿不到完整步骤。5.4 Java 后端集成示例如果你所在的项目是 Java 技术栈后端一般不会直接调 Python 代码而是通过 HTTP 接口访问模型服务。这里给一个 Spring Boot 环境下的标准调用方式。首先在pom.xml中引入依赖dependency groupIdorg.apache.httpcomponents.client5/groupId artifactIdhttpclient5/artifactId version5.3.1/version /dependency dependency groupIdcom.fasterxml.jackson.core/groupId artifactIdjackson-databind/artifactId version2.15.3/version /dependency然后写一个简单的 HttpService// 文件路径src/main/java/com/example/ai/LLMService.java package com.example.ai; import com.fasterxml.jackson.databind.JsonNode; import com.fasterxml.jackson.databind.ObjectMapper; import com.fasterxml.jackson.databind.node.ArrayNode; import com.fasterxml.jackson.databind.node.ObjectNode; import org.apache.hc.client5.http.classic.methods.HttpPost; import org.apache.hc.client5.http.impl.classic.CloseableHttpClient; import org.apache.hc.client5.http.impl.classic.CloseableHttpResponse; import org.apache.hc.client5.http.impl.classic.HttpClients; import org.apache.hc.core5.http.ContentType; import org.apache.hc.core5.http.io.entity.StringEntity; import org.springframework.stereotype.Service; import java.io.BufferedReader; import java.io.InputStreamReader; import java.nio.charset.StandardCharsets; Service public class LLMService { private final ObjectMapper objectMapper new ObjectMapper(); public String chat(String userMessage) throws Exception { String url http://127.0.0.1:8000/v1/chat/completions; ObjectNode body objectMapper.createObjectNode(); body.put(model, dots3-note); body.put(temperature, 0.2); body.put(max_tokens, 4096); ArrayNode messages body.putArray(messages); ObjectNode userObj messages.addObject(); userObj.put(role, user); userObj.put(content, userMessage); HttpPost post new HttpPost(url); post.setHeader(Content-Type, application/json); post.setEntity(new StringEntity(body.toString(), ContentType.APPLICATION_JSON)); try (CloseableHttpClient client HttpClients.createDefault(); CloseableHttpResponse response client.execute(post)) { BufferedReader reader new BufferedReader( new InputStreamReader(response.getEntity().getContent(), StandardCharsets.UTF_8) ); StringBuilder sb new StringBuilder(); String line; while ((line reader.readLine()) ! null) { sb.append(line); } JsonNode root objectMapper.readTree(sb.toString()); return root.path(choices).path(0).path(message).path(content).asText(); } } }再写一个 Controller 提供 HTTP 入口// 文件路径src/main/java/com/example/ai/LLMController.java package com.example.ai; import org.springframework.web.bind.annotation.*; import java.util.Map; RestController RequestMapping(/api/ai) public class LLMController { private final LLMService llmService; public LLMController(LLMService llmService) { this.llmService llmService; } PostMapping(/chat) public MapString, String chat(RequestBody MapString, String request) { String message request.get(message); try { String answer llmService.chat(message); return Map.of(code, 0, data, answer); } catch (Exception e) { return Map.of(code, 500, message, e.getMessage()); } } }这样 Java 后端就可以稳定接上开源推理模型了。后续做限流、缓存、日志埋点都是在 Controller 层继续扩展。6. 如何把 dots3-note 用在自己的应用里合理评估与功能边界作为程序员我们更需要冷静评估一件事大模型不是万能的它能拿 IMO 满分不代表任何数学问题都不会错。在你的应用里合理设置“能力边界”比夸大规模能力更重要。6.1 适合用它做的功能数学题分步讲解服务。算法题思路提示与代码生成。数据报表的自然语言查询逻辑解析。复杂 Agent 的规划模块。知识库问答中需要多步推理的问题。6.2 不适合用它做的功能简单实体抽取比如从一句话里抠出人名、地名和日期用一个小的 NER 模型更划算。高频短文本分类。有严格实时性要求的在线接口。这类高密度推理模型通常参数量不低单次推理耗时比小模型长。如果你只是做关键词匹配或文本分类专门为它部署服务成本会偏高。6.3 工程接入时的结果校验思路数学题回答不能只看最终结果。在正式业务里建议额外加一道校验程序如果题目答案是确定的例如选择题或填空题在业务层做答案比对。如果模型输出带推导步骤写一个规则检查输出里是否包含必要的数学符号和结构。引入“两次采样一致性”机制用较低 temperature 生成两次回答如果核心答案一致判定可信度更高。伪代码思路def verify_answer(generate_func, question, times2): answers [] for _ in range(times): output generate_func(question) answers.append(extract_final_answer(output)) if len(set(answers)) 1: return answers[0], True else: return answers, False注意两次采样一致性只能是辅助策略不能完全替代人工校验。7. 微调与私有化进阶玩法探索如果你不止想用现成能力还想让 dots3-note 更贴合自己的私有数据比如让它更熟悉你所在行业里特定题型和术语那可以尝试对它做轻量微调。7.1 准备训练数据格式推荐使用 OpenAI 微调风格的 JSONL 格式。每行是一个 JSON 对象包含 messages 字段。{messages: [{role: user, content: 请解方程 x^2 - 5x 6 0}, {role: assistant, content: 第一步因式分解。x^2 - 5x 6 (x - 2)(x - 3)。第二步令每个因式等于零。x - 2 0 或 x - 3 0。因此 x 2 或 x 3。}]}7.2 使用 LLaMA-Factory 微调LLaMA-Factory 是目前社区使用率较高的开源微调框架支持 LoRA、QLoRA 等多种高效微调方式。安装git clone https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e .启动训练llamafactory-cli train \ --model_name_or_path your-org/dots3-note-7b \ --stage sft \ --dataset_dir ./data \ --dataset math_train \ --finetuning_type lora \ --output_dir ./output/math-lora \ --num_train_epochs 3 \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 4 \ --learning_rate 2e-4 \ --lr_scheduler_type cosine \ --logging_steps 10 \ --save_steps 500 \ --save_total_limit 2 \ --fp16参数解释--finetuning_type lora使用 LoRA 也就是低秩适配方案只训练一小部分参数显存占用低。--dataset对应你准备好的数据集名称数据集需要在data/dataset_info.json中注册。--output_dir训练完的 LoRA 权重保存路径。7.3 合并 LoRA 权重训练完成后LoRA 权重只是附加的小权重文件建议先合并回原始模型生成独立模型目录再重新部署。llamafactory-cli export \ --model_name_or_path your-org/dots3-note-7b \ --adapter_name_or_path ./output/math-lora \ --export_dir ./output/dots3-note-math-merged \ --export_size 4 \ --export_legacy_format false微调过程有几个特别提醒训练数据质量远重要于数量几百条高质量分步解析效果可能好过几万条噪声数据。不要使用测试集数据参与训练否则会高估模型真实效果。微调完成后应该在独立验证集上重新做效果评估不能只看训练 loss。8. 常见问题与排查思路这部分汇总了实际部署中使用 dot3-note 一类推理模型最高频遇到的问题建议收藏备用。问题现象常见原因解决思路加载模型时报 “CUDA out of memory”显存不足或模型全量加载升级显卡或者改用 4-bit 量化也可以开启 CPU offload 缓解生成内容在中途停止max_new_tokens 设置过短调大max_new_tokens或max_tokens推理速度很慢未开启推理优化或用了 CPU使用 vLLM 部署确认模型加载在 GPU 上输出有官方“安全提示”或空回复提示词格式不符合模型要求按模型卡的 chat template 调整 prompt调用 vLLM 接口时错误消息提示 “model not found”served-model-name 不一致检查启动参数是否与请求时的 model 字段匹配下载模型被拒Hugging Face 仓库需要先同意协议先在模型页面点击 agree 并配置访问令牌微调后效果变差数据质量差或重复样本过多清洗数据去重检查训练集是否与推理场景匹配中文输出夹杂大量英文推导系统提示词没有强调中文输出在 system prompt 明确写“请使用中文作答”多轮对话时出现“幻觉继承”前文模型推导出错后面一直沿用错误方向更聚焦短期对话上下文必要时每轮重新构建思考起点减少上下文噪声干扰其中比较值得单独展开的是“幻觉继承”问题也就是模型先写错一步后面的每一步推导虽然形式正确但整体方向已经错了。这类问题没有银弹方案工程上最实用的是设定输出格式要求“最后单独输出结论”便于程序提取答案。在答案后追加一道“把结果代入原题验证”的约束让模型自己检查。这条思路在数学推理类模型上很常见效果也还可以。9. 最佳实践与工程建议最后从项目工程化的角度给出一组可以直接落地的最佳实践建议。9.1 多环境隔离环境必须隔离模型服务、后端服务、数据库服务尽量分离开。用 Docker 部署 vLLM 时给容器设置明确的显存限额。用 Kubernetes 部署时给模型服务单独配置 GPU 节点池。推理服务和在线业务服务之间加一层超时控制避免模型推理阻塞业务线程。9.2 安全与权限最小化模型服务接口只在内网暴露不要直接映射到公网。在网关层做 API Key 鉴权。如涉及私有数据和行业术语避免使用外部模型 API 传输敏感数据优先考虑本地化部署开源模型。严格遵守模型的开源许可协议特别关注商用条件是否满足。9.3 日志与可观测性大模型应用里日志记录往往被低估。强烈建议对每次推理请求记录输入的 prompt 摘要。输出 token 数。推理耗时。使用了什么参数。是否触发安全拒答。有了这些数据你才能在自己的业务场景里持续优化系统提示词和模型参数。9.4 提前设计好提示词模板不要每次都在业务代码里拼 prompt而是把各类场景的提示词提前做成配置项。示例{ math_solver: { system: 你是一个严谨的数学解题助手。请逐步推导给出过程最后单独一行输出最终结论。要求使用中文。, temperature: 0.1, max_tokens: 4096 }, code_analyzer: { system: 你是一个算法讲解助手。请先分析题目思路再给出代码。, temperature: 0.2, max_tokens: 2048 } }这样调整行为时不用改代码只需要修改配置文件。10. 总结与下一步学习路线到这里关于 dots3-note 的完整技术解析和应用落地思路已经全部过了一遍。我们来把关键点重新梳理一遍。从能力层面dots3-note 是一个以数学推理见长的开源模型能够输出带中间推导过程的 CoT 结果。这种能力覆盖的不仅是一道道数学题也包括算法思路拆解、复杂 Agent 规划、论文逻辑推导等更深层的任务。对开发者来说这类推理增强模型补齐了过去通用助手“能说不能算”的短板。从应用层面你需要重点理解的是“模型能力”和“工程落地”之间的区别。跑通一个 Python demo 是五分钟的事情但真正把它稳定地嵌入到后端服务里需要考虑模型推理服务化、API 鉴权、超时控制、结果格式解析、业务代码异常兜底、日志审计等一系列问题。学会把模型当成一个带智能的模块来设计而不是一个单独的脚本是 AI 工程化落地很关键的一步。接下来你可以继续拓展的方向包括深入理解强化学习如何在语言模型上做训练。学习 vLLM 的 PagedAttention 原理和调度策略。尝试用 LLaMA-Factory 在自己的数据集上做 LoRA 微调。对比其他开源推理模型在不同任务上的效果差异。在实际项目中投入生产前最优先关注的仍然是合规与安全边界确认许可证是否允许商用如果面向公众提供服务还需要确认内容安全策略、用户隐私保护和敏感信息过滤满足业务要求。技术再强也要在边界范围内使用才有意义。如果这篇文章对你有帮助建议先收藏备用。后面遇到推理部署、二次开发和性能优化问题时可以随时回来对照排查。也欢迎在评论区分享你的部署结果或遇到的问题一起交流进步。
