【摘要】大模型（LLM）的本质是基于Transformer架构的统计语言模型，其核心能力是“预测”而非“创造”，无法复刻学科竞赛中的深度思维过程。在AIGC席卷学习场景的当下，学科竞赛的“护城河”是对学生原创思维、深度探究、实操能力、批判性思维与质疑精神的极致锤炼。对学生而言，需守住“独立思考”的底线；对教师与教练而言，更要主动拥抱AI，同时回归育人本质，守住学科竞赛的独特价值。

【摘要】在AIGC快速进入算法竞赛训练场景的背景下，信息学竞赛教练的角色正在从“知识传授者”转向“训练系统设计者”。本报告将结合一线竞赛教学实践，探讨AI在题解生成、调试辅助、错题诊断和个性化训练中的应用边界，分析其对传统竞赛训练模式带来的冲击与重构。报告认为：AI可以显著提升知识获取与训练反馈的效率，但无法替代教练对学生能力结构的诊断、训练路径的设计和关键思维过程的引导。信息学竞赛真正的护城河，从来不只是代码，而是面对陌生问题时的抽象能力，在复杂条件中找到结构的能力，在失败中持续调试的韧性，以及依靠自己完成关键判断的能力。AI时代的信息学竞赛训练应从“题解复现”走向“能力生成”，让AI成为放大思维训练价值的工具，而不是替代独立思考的捷径。

【摘要】本报告从实践层面出发，初步探究“AI智能工具如何赋能化学竞赛”。报告将聚焦AI工具在化学竞赛中的具体应用场景与实用价值，并紧密结合化学学科及竞赛学习的特点，以思维训练与能力培养为核心，从构建知识体系、高效检索资料、促进深度思考等多个维度分析。旨在探索通过智慧技术赋能与人机协同，帮助学生在竞赛学习中优化方法、提升效率、解决个性化问题的可行路径，从而为新时期化学竞赛人才的培养提供实践参考。

【摘要】报告内容分为以下两部分：将AI的图片识别功能与个人tex书写习惯相结合，迅速整理出排版统一规范的讲义；将出处各异的答案解析统一写作风格，并尝试使用AI生成的解答，优化其语言习惯。

【摘要】AI已在IMO级别赛事中达到金牌水准，能解出人类近乎无人做出的难题，甚至提供独特的解法路径。AI和人类同一张试卷上得分相同，是否意味着等价？这个问题值得追问。当AI能快速给出标准答案，竞赛教育是否需重新审视？数学竞赛的价值是在题库与技巧中，还是在那些难以被算法量化的地方——人的困惑、尝试、顿悟，以及在未知面前的持续思考？这道边界在哪里，尚需观察。真正的问题或许不是AI能否做题，而是我们如何理解“思考”本身。