Baru Saja Dirilis: DeepSeek Buka Akses Model Baru dan Raih Gelar Juara dalam Pembuktian Soal Olimpiade Matematika

Sebuah sistem AI yang mampu memverifikasi dirinya sendiri kini selangkah lebih dekat dalam menaklukkan persoalan matematika tingkat riset.

Pada 27 November, DeepSeek secara resmi merilis dan membuka akses model barunya, DeepSeekMath-V2 — sebuah model “setara peraih emas Olimpiade Matematika” yang memiliki kemampuan pembuktian teorema yang sangat kuat.

DeepSeekMath-V2 mencapai performa setingkat medali emas dalam International Mathematical Olympiad 2025 (IMO 2025) dan Chinese Mathematical Olympiad 2024 (CMO 2024). Bahkan, dalam kompetisi bergengsi Putnam 2024, model ini meraih skor hampir sempurna: 118 dari 120 — melampaui skor manusia tertinggi yang tercatat yaitu 90 poin.

Seperti terlihat dalam hasil evaluasi, DeepSeekMath-V2 mengungguli model DeepThink dari Google — sang juara IMO sebelumnya — dengan selisih keunggulan sebesar 10% pada benchmark pembuktian teorema seperti IMO-ProofBench.

Temuan ini menunjukkan hal yang sangat menarik: kemampuan AI untuk melakukan penalaran matematika yang dapat memverifikasi dirinya sendiri bukan hanya mungkin, tetapi berpotensi menjadi kunci terobosan dalam membangun sistem AI matematika yang jauh lebih kuat.

Seperti tradisi DeepSeek, model ini langsung tersedia untuk diuji publik. Dalam pengujian awal, DeepSeekMath-V2 mampu memberikan pembuktian benar untuk soal klasik seperti pembuktian bahwa √2 adalah bilangan irasional. Ketika diberikan pertanyaan “manakah yang lebih banyak — bilangan ganjil atau genap?”, model ini juga memberikan jawaban dengan proses pembuktian yang runtut dan dapat dipahami oleh banyak orang. Tentunya, untuk soal setingkat Olimpiade, tingkat kompleksitas jauh lebih tinggi, dan pembaca yang memiliki kemampuan matematika lanjutan dapat mencoba sendiri kemampuan model ini.

Dari sisi penelitian, metode Reinforcement Learning (RL) tradisional sebelumnya telah dapat menghasilkan performa yang tinggi pada kompetisi yang hanya menilai jawaban akhir seperti AIME dan HMMT. Namun, DeepSeek mengidentifikasi dua kelemahan mendasar:

Pertama, jawaban akhir tidak selalu mencerminkan kebenaran logika. Model bisa saja mencapai jawaban benar dari proses penalaran yang cacat atau kebetulan belaka.

Kedua, metode RL tradisional tidak cocok untuk tugas pembuktian teorema, karena validitas bergantung pada proses deduksi yang ketat, bukan sekadar hasil akhir.

Untuk menjawab kelemahan ini, DeepSeek mengembangkan kemampuan verifikasi pembuktian secara eksplisit dalam model bahasa besar. Dibangun berdasarkan DeepSeek-V3.2-Exp-Base, DeepSeekMath-V2 tidak hanya memahami struktur penghargaan dalam RL, tetapi juga mampu mengoptimalkannya dengan penalaran yang sadar, bukan sekadar mencoba-coba secara buta.

DeepSeek menyusun kerangka penilaian tingkat ahli untuk membimbing sistem dalam mengevaluasi kualitas pembuktian. Model ini dilatih melalui RL dengan dua jenis reward utama: reward format penyusunan bukti dan reward kualitas pembuktian.

Dataset pelatihan berisi 17.503 soal matematika kompetisi, bukti yang dihasilkan oleh model, serta sampel pembuktian yang telah dinilai oleh pakar, sehingga menghasilkan korpus pelatihan berskala besar. DeepSeek kemudian merancang dua tujuan RL: untuk generator pembuktian dan untuk verifikator. Namun, DeepSeek menemukan bahwa verifikator berpotensi “mengakali sistem” dengan memberikan skor benar walau sebenarnya bukti bermasalah.

Untuk mencegah manipulasi ini, DeepSeek menerapkan proses meta-verification — sebuah lapisan evaluasi kedua yang meningkatkan keakuratan penyaringan bukti.

Selama proses pembuktian, model dilatih untuk memeriksa dan memvalidasi langkah-langkahnya sendiri secara bertahap, bukan langsung menyatakan pembuktian sebagai benar. Ini mencegah model bersikeras bahwa pembuktian valid ketika verifikator eksternal menemukan kesalahan.

Pada akhirnya, generator dan verifikator dalam DeepSeekMath-V2 membentuk siklus kerja sama berkelanjutan: verifikator meningkatkan kemampuan generator, sementara generator secara konsisten menghasilkan bukti baru yang menantang verifikator. Setiap tantangan baru justru menjadi bahan pelatihan yang berharga untuk menumbuhkan kemampuan verifikator. Secara sederhana: verifikator meninjau proses pembuktian langkah demi langkah, sementara generator belajar dari kesalahan dan memperbaiki hasilnya.

Dari hasil eksperimen, DeepSeekMath-V2 secara konsisten mengungguli GPT-5-Thinking-High dan Gemini 2.5-Pro dalam semua kategori soal CNML — termasuk aljabar, geometri, teori bilangan, kombinatorika, dan ketaksamaan. Ini menunjukkan ketangguhan luar biasa dalam kemampuan pembuktian teorema di berbagai bidang.

Dalam pengujian berurutan dengan mekanisme self-verification, kualitas pembuktian untuk soal kandidat IMO 2024 meningkat secara signifikan. Model mampu membedakan pembuktian yang kuat dari yang lemah dan memperbaiki penalarannya secara mandiri.

Dalam eksplorasi berkapasitas komputasi tinggi, model ini berhasil menyelesaikan 5 dari 6 soal IMO 2025 serta 4 soal penuh dan 1 solusi parsial dari CMO 2024 — menyamai tingkat medali emas, melampaui DeepThink milik DeepMind pada set dasar, serta tetap kompetitif pada tingkat lanjutan.

Namun, DeepSeek mengakui bahwa soal IMO tingkat tersulit masih menjadi tantangan bagi model ini.

Yang menarik, untuk soal yang belum bisa diselesaikan sepenuhnya, generator model sering dapat mengidentifikasi bagian masalah yang menjadi titik kesulitan, sedangkan untuk soal yang berhasil diselesaikan, pembuktian bisa melewati 64 kali verifikasi tanpa pertentangan. Ini menunjukkan bahwa verifikator telah mampu menilai pembuktian yang selama ini dianggap sangat sulit untuk diverifikasi secara otomatis.

Dengan meningkatkan kedalaman komputasi saat inferensi, model ini mampu menyelesaikan soal yang biasanya membutuhkan waktu berjam-jam bagi manusia untuk menjawabnya secara manual.

Kesimpulannya: arsitektur AI yang mampu memverifikasi dirinya sendiri dapat menjadi kunci menuju solusi matematika tingkat riset.

Secara umum, DeepSeek telah membangun model yang mampu menghasilkan sekaligus memvalidasi pembuktian matematika. Tim ini telah melampaui sistem reward berbasis jawaban akhir menuju kerangka penalaran matematis yang mampu mengevaluasi dirinya sendiri.

Pekerjaan ini membuktikan bahwa model bahasa besar dapat mengembangkan kemampuan meta-kognitif yang bermakna untuk tugas penalaran kompleks. Walaupun tantangan masih ada, arah riset ini membawa AI semakin dekat pada tujuan jangka panjang: membangun sistem AI yang mampu memverifikasi dirinya sendiri dan menyelesaikan permasalahan matematika tingkat riset secara mandiri.