洛谷刷出整排 AC，GPT-6-Astra 把競程紀錄推高一格

洛谷的提交列表裡，綠色的 AC 是競程生最熟悉的畫面。Accepted，通過，這題收工，換下一題。近日，這排綠色出現在一批不太一樣的提交紀錄裡：答題的一方是模型 GPT-6-Astra，通過題目的難度一路爬向資訊競賽圈公認的天花板，社羣整理的「AI 爆題總結」跟著翻新了紀錄（來源：洛谷社羣整理）。知乎上很快長出對應的提問，答題區湧進正在備賽的學生、退役選手，和純粹來圍觀的人。

先把兩個詞說清楚。洛谷是大陸規模數一數二的競賽程式練習平臺，題目按難度分級，每道題底下累積著使用者寫的題解；臺灣的資訊奧林匹亞（TOI）選手，同樣常在這類平臺與 Codeforces、AtCoder 上練兵。「爆題」是圈內說法，意思是短時間內大量解題，像推土機碾過題單。所謂「AI 爆題總結」，就是把模型的答題成績整理成發榜式文章的固定文體，這回刷新的紀錄，就收在這類整理與知乎的轉述裡。

引言圖卡呈現知乎提問的原文，提問內容為如何看待 GPT-6-Astra 刷新信息學競賽題的複雜度紀錄

一份總結，把題庫變成 AI 的考場

這個文體的流行，本身就是一段故事。每逢強模型發表，總有人第一時間把它抓去題庫考試，統計 AC 率、記下穩定通過的難度等級，再回社羣發榜。一份份成績單逐次疊高，讀起來像 AI 的段位升等史。GPT-6-Astra 這回被整理出來的表現，按洛谷社羣與知乎答題區的轉述，觸及了過往模型容易卡關的難度區間（來源：洛谷社羣整理、知乎討論）。順帶一提，題面說的「複雜度」，取的是圈內口語裡「題目難度」的意思，與演算法分析的時間複雜度是兩回事。

洛谷的題庫按難度分級，大致是這樣一條階梯：

清單圖卡由易到難列出洛谷題庫的五個難度分級，從入門、普及、提高、省選一路到 NOI 等級

實際的標籤切得更細，中間掛滿正負號與斜線的過渡等級。粗略換算：普及對應入門到國中水準，省選與 NOI 是百裡挑一的競賽頂端，許多選手練滿整個中學階段，仍未必摸得到 NOI 的門檻。難度紀錄每往上推一格，「AI 能做出賽場最難那批題」的日子就近一步。

題解區也被捲進討論。洛谷的題解區由使用者自願撰寫、層層疊起，是這個社羣的心臟；AI 生成的題解該不該發、要不要標註，知乎答題區裡有一派聲音在問。這條線最後怎麼畫，得由平臺定規矩，目前沒有結論。

AI 上考場，走了四年多

把時間軸拉長會發現，AI 考競程題的歷史，比「AI 會寫程式」這個印象老得多。

2022 年 2 月：DeepMind 的 AlphaCode 論文登上《科學》（Science），在 Codeforces 十場比賽的題目裡解出約三成四，成績約在參賽者的中位數附近（來源：DeepMind 公開論文）。
2023 年：AlphaCode 2 在同場地解出八成七的題目，表現優於八成五的參賽者；同年 Codeforces 明文禁止在計分賽提交 AI 生成的程式碼（來源：DeepMind 官方說明、Codeforces 規則）。
2024 年 9 月：OpenAI 發表 o1，官方數據顯示它在 Codeforces 壓過近九成參賽者；同年的 IOI（國際資訊奧林匹亞）實驗中，模型在放寬時間與提交次數的條件下達到金牌水準（來源：OpenAI 官方部落格）。
2024 年 12 月：o3 發表，官方公布的 Codeforces Elo 分數為 2727，跨過國際特級大師的門檻（來源：OpenAI 官方公告）。
2026 年 9 月：GPT-6-Astra 被社羣測出刷新競賽題複雜度紀錄，討論從洛谷延燒到知乎（來源：洛谷社羣整理、知乎討論）。

隔壁的數學賽場走的是同一條路。2024 年，DeepMind 的 AlphaProof 系列在國際數學奧林匹亞（IMO）寫下銀牌水準的成績（來源：DeepMind 官方部落格）。競程與奧數，剛好是升學體系裡最講究硬解題的兩個項目，AI 的成績單先後貼上這兩面牆。

疊代的速度快到什麼程度？快到 Anthropic 執行長 Dario Amodei 回頭寫了那篇 3800 字的減速長文，呼籲同行放慢前沿模型的腳步。對多數人來說，指數曲線是抽象的，洛谷上那排 AC 是具體的。

統計圖卡呈現 OpenAI 官方公布的 o3 模型在 Codeforces 平臺獲得 2727 分 Elo，跨過國際特級大師的門檻

答題區的兩種語氣

知乎答題區的留言，大致分成兩種語氣。

一種帶著涼意。大陸的 OI 生態與升學綁得深，省選與國賽成績連著保送與升學通道，模型愈強，「賽事含金量會不會縮水」「命題方向會不會被迫改寫」的討論就愈熱。作弊防線也被重新檢查：Codeforces 的禁令、線上賽的行為偵測，能不能擋住把模型帶進賽場的人（來源：知乎答題區討論）。

另一種語氣鬆一些。退役選手寫得直白：題目被 AI 做掉，與他們當年熬夜衝省選的記憶是兩回事；留下來的是拆解問題的習慣、隊友間的默契，還有「這題我調過」的資歷。也有人把話題接到求職，競程訓練的常見終點是演算法面試，而 AI 對這條路的重新定價早已開始。同一年裡，已經有被裁員的工程師回頭讓 AI 幫他重寫履歷，兩邊看的其實是同一件事：純熟的解題技巧，還能兌換多少東西。

圍棋照過來的舊劇本

2016 年，AlphaGo 與李世乭的五番棋把同款震撼演示過一次。當年棋界也被問：人類棋賽還有必要嗎？十年過去，職業圍棋照常開賽，棋手把 AI 收編成最嚴格的教練，開局點三三、各種新定石，都是從 AI 的棋譜裡抄回來的功課。競程圈現在站在同款岔路口：有人想把模型當陪練，有人拿它找命題靈感，也有教練在研究怎麼防它進考場。

差別也很清楚。圍棋的主體是職業棋士，競程的主體是十幾歲的學生，賽事是升學工程的一段。線下的賽場進不去模型，但練習、選拔與訓練體系會怎麼調整，答題區還沒吵出共識。

題庫之外

洛谷的燈還亮著。題庫裡的題目，會一道一道被收進某個模型的 AC 紀錄，難度階梯也會一格一格被爬完。答題區真正還沒解開的，是另一道題：當答案變得便宜，一代學生押在過程上的那些年，該怎麼重新計價。圍棋用十年交出一份答案，競程圈的第一行程式碼，才剛開始寫。