Na Międzynarodowej Olimpiadzie Informatycznej w 2026 roku wydarzyło się coś, czego nikt się nie spodziewał. System AI, zbudowany przez zespół z firmy NVIDIA, zdobył 535,4 punktów na 600 możliwych, zostawiając w tyle wszystkich ludzkich uczestników – w tym dotychczasowego mistrza, który zgromadził 498,27. To pierwszy raz, gdy maszyna okazała się lepsza od najlepszego programisty na planie zadań olimpijskich.
Od zera do złota – pipeline treningowy
Zespół Aleksandra Ficka, Seana Narenthirana i współpracowników postawił na dokładną, wieloetapową metodę. Zaczęło się od zebrania 22 000 starannie wybranych problemów programistycznych z konkursów na całym świecie. Do każdego z nich wygenerowano syntetyczne ślady rozumowania – czyli szczegółowe opisy krok po kroku, jak dojść do poprawnego rozwiązania. Wyobraźmy sobie to jak przygotowanie ogromnego zbioru przykładowych zadań z pełnymi rozwiązaniami, które model będzie studiował.
Następnie na tych danych przeprowadzono nadzorowane dostrajanie (Supervised Fine-Tuning, SFT) dużych modeli językowych z rodziny Nemotron-3. Dwa warianty – Nano-CC (30 miliardów parametrów) oraz Ultra-CC (550 miliardów) – uczyły się rozpoznawać wzorce i generować kod. Samo SFT dało już zaskakująco dobre efekty: Ultra-CC po tym etapie uzyskał na IOI 2025 aż 502 punkty, co przekraczało próg złotego medalu.
Mniejszy model Nano-CC przeszedł dodatkową sesję uczenia przez wzmacnianie (Reinforcement Learning, RL). W tej fazie agent otrzymywał nagrody za poprawne odpowiedzi i kary za błędy, co pozwoliło mu samodzielnie odkrywać skuteczniejsze strategie. Po SFT i RL wynik Nano-CC podskoczył ze 130 do 291 punktów – wciąż poniżej złota, ale już w zasięgu wzroku.
GenCorrect – myśleć wiele razy, odpowiedzieć raz
Prawdziwy przełom nastąpił dzięki strategii o nazwie GenCorrect. To technika z rodziny 'test-time compute' – dodatkowego myślenia w trakcie rozwiązywania zadania, a nie podczas treningu. Zamiast generować jedną odpowiedź, model produkuje wiele różnorodnych rozwiązań dla tego samego problemu. Każde z nich jest automatycznie uruchamiane na przypadkach testowych i oceniane. Następnie najlepsze kandydatury są iteracyjnie poprawiane, a system wybiera tę ostateczną, która rokuje największe szanse na sukces.
Można to porównać do zdolnego ucznia, który na egzaminie rozwiązuje to samo zadanie na kilka sposobów, sprawdza każdy z nich i oddaje tylko ten, który jest pewny. GenCorrect daje modelowi właśnie taką możliwość – wielokrotnego próbowania i weryfikacji, zanim odpowie przed komisją.
Dla Nano-CC włączenie GenCorrect okazało się decydujące. Wynik z 291 punktów wzrósł do 468, co pozwoliło przekroczyć próg złotego medalu (438,3) i to z zapasem. Większy Ultra-CC, mimo że po samym SFT radził sobie świetnie, również zyskał na tej strategii, choć autorzy nie podali dokładnej wartości dla tego wariantu.
Według naszej wiedzy to pierwszy system AI, który uzyskał wyższy wynik niż najlepszy uczestnik-człowiek na planie zadań IOI.
Ficek, Narenthiran, Samadi, Majumdar, Ginsburg
Streszczenie pracy
Od IOI 2025 do IOI 2026 – pobicie człowieka
W 2025 roku oba modele zdobyły już złoto, ale największe wrażenie zrobiła edycja 2026. System Ultra-CC został wtedy zoptymalizowany specjalnie pod kątem warunków zawodów – działał z tym samym limitem czasu, dostępem do internetu i ograniczeniami liczby zgłoszeń, co ludzcy uczestnicy. Osiągnął 535,4 punktów na 600, podczas gdy najlepszy człowiek zatrzymał się na 498,27. To historyczny moment, który autorzy podkreślają wprost: 'Według naszej wiedzy to pierwszy system AI, który uzyskał wyższy wynik niż najlepszy uczestnik-człowiek na planie zadań IOI.'
Wynik ten nie wziął się znikąd. Za sukcesem stoi połączenie trzech elementów: ogromnego, starannie wyselekcjonowanego zbioru problemów, dwuetapowego treningu (SFT dla obu modeli i dodatkowy RL dla mniejszego) oraz test-time compute, który pozwalał wycisnąć maksimum z już wytrenowanego modelu. Każdy z tych składników był potrzebny, a ich synergia dała rezultat, jakiego dotąd nie widziano.
Co to znaczy dla programowania?
Nie chodzi o to, że AI zastąpi programistów na olimpiadach – one już tam nie startują jako zwykli uczestnicy. Chodzi o to, że metody opracowane przy okazji mogą realnie zmienić sposób, w jaki tworzymy oprogramowanie. Wyobraźmy sobie asystenta, który nie tylko podpowiada fragment kodu, ale rozumie szerszy kontekst, potrafi wygenerować kilka alternatywnych implementacji, przetestować je w locie i wybrać tę najwydajniejszą lub najbezpieczniejszą.
GenCorrect pokazuje wartość 'myślenia w czasie testu' – nie zawsze trzeba trenować większy model, można dać istniejącemu więcej czasu na zastanowienie się. To przypomina, jak ludzie podchodzą do trudnych problemów: siadają, próbują, poprawiają, aż znajdą rozwiązanie. Przeniesienie tego mechanizmu na maszynę otwiera drzwi do systemów, które są nie tylko szybkie, ale i głęboko refleksyjne.
- System AI po raz pierwszy w historii pokonał najlepszego człowieka na olimpiadzie informatycznej (IOI 2026).
- Podstawą sukcesu było połączenie nadzorowanego dostrajania (SFT), uczenia przez wzmacnianie (RL) i strategii test-time compute GenCorrect.
- Model Nano-CC (30 mld parametrów) po treningu SFT+RL osiągnął 291 punktów, a GenCorrect podbił wynik do 468.
- Większy model Ultra-CC (550 mld) po samym SFT zdobył 502 punkty, a zoptymalizowany pod IOI 2026 osiągnął 535,4/600.
- GenCorrect generuje wiele rozwiązań, iteracyjnie je poprawia i wybiera najlepsze, naśladując ludzkie wielokrotne próby.
Praktyczne zastosowania
Aby lepiej zrozumieć opisywaną innowację, przygotowaliśmy cztery przykłady praktycznego zastosowania tej technologii w różnych branżach:
Podsumowanie
Opracowana technologia może znaleźć zastosowanie w zaawansowanych asystentach programistycznych, które nie tylko sugerują kod, ale same testują i poprawiają swoje propozycje. Firmy tworzące oprogramowanie mogłyby zautomatyzować żmudne etapy debugowania i optymalizacji, a także szybciej prototypować skomplikowane algorytmy. Metoda test-time compute jest szczególnie obiecująca dla zadań wymagających głębokiego rozumowania, gdzie jedna odpowiedź rzadko bywa poprawna od razu.
Metryka artykułu źródłowego
Tytuł oryginalny: Post-Training Language Models for Gold-Medal Performance in Coding Competitions
Autorzy: Aleksander Ficek, Sean Narenthiran, Mehrzad Samadi, Somshubra Majumdar, Boris Ginsburg
Data publikacji: 3 września 2026
arXiv: arxiv.org/abs/2609.02849
Napisanie tego artykułu zostało wspomagane przez sztuczną inteligencję. Treść opiera się na oryginalnym artykule naukowym, a jej dokładność została zweryfikowana automatycznie.
