«Resultatet var egentlig ganske uventet.» Det sa Borys Minaiev, ICPC-verdensmester og forsker på resonneringsmodeller i OpenAI, under direktesendingen fra Algorithm-divisjonen, ifølge The Decoder. Han hadde ventet at systemet skulle løse alt, men beskrev oppgave D og E som betydelig vanskeligere enn noen AtCoder-oppgave teamet hadde sett før.
I utstillingskampen «Human vs. AI» under den OpenAI-sponsede finalen i Japan endte systemet på 8 300 poeng og fem løste oppgaver. Nummer to, tour1st, fikk 4 300 poeng. Ingen menneskelig deltaker løste oppgave C eller E, og premien på 600 000 yen til den som både slo KI-en og vant konkurransen, forble uutdelt.
Kampen var likevel ikke jevn hele veien. To timer inn sto D og E fortsatt uløst etter flere forsøk, og systemet brukte rundt tre timer på å knekke D. Konkurranseprogrammereren Psyho, som dokumenterte forløpet på X, mener seigheten i seg selv er et nytt trekk.
«KI-en har passert stadiet der den enten finner en riktig løsning raskt, eller er fullstendig hjelpeløs» — Psyho (FakePsyho), konkurranseprogrammerer
Teknisk er oppsettet mindre eksotisk enn resultatet antyder. Ifølge Minaiev består systemet av én modell pluss en liten kjøreramme som skalerer regnekraften mens den jobber (test-time compute). Modellen skal være på nivå med GPT-5.6, som etter planen slippes torsdag 9. juli, og den hadde ingen internettilgang under konkurransen. For et halvår siden ville teamet ikke klart de fleste av disse oppgavene, sa han.
Utviklingen har gått fort. På informatikkolympiaden IOI i 2024 lå OpenAIs system i 49. persentil og bommet så vidt på bronse. Året etter havnet det i 98. persentil og på sjetteplass av 330 deltakere, ifølge OpenAI-forsker Sheryl Hsu. Under ICPC-finalen i 2025 løste systemet alle tolv oppgavene, mens Googles Gemini 2.5 Deep Think nådde gullnivå. I fjorårets AtCoder-finale i heuristikk endte en OpenAI-modell på andreplass, slått av nettopp Psyho.
OpenAI understreker at ingen av systemene er trent spesielt for hver enkelt konkurranse. Ved ICPC-finalen var oppsettet et ensemble av generelle resonneringsmodeller. For deg som bygger agenter er den interessante variabelen hvor mye regnekraft og tid modellen får bruke på ett enkelt problem. Det er samme knapp OpenAI skrudde på her, og den sitter i din egen agent-loop.