Aaronson：OpenAI 一天倾倒 372 个数学大结果，“数学史上最大的一天”

深度摘要

OpenAI 在数学顾问组（Gowers、Witten 等）建议下，一次性发布了 372 个重大数学结果，Aaronson 称之为“数学史上最大的一天”。其中包括其妻 Dana Moshkovitz 穷尽职业生涯攻关的 Unique Games 猜想证明——有 Lean 证书，但人类几乎还没读懂任何一篇证明。清单还包括 L=BPL、整数乘法突破 O(n log n)（约 O(n log^0.999…n)）、O(n^9/4) 矩阵乘法、Parity 不在 QAC0、2D gapped Hamiltonians 的 area law、有理数域多项式方程不可解等；缺席的是 P≠NP、P=BPP 等最硬的骨头。据称用的是 OpenAI 最新内部模型，每题平均约 3 小时 GPT-Pro 级算力，8000 道题中解决了约 5%。Aaronson 还对比了两种发布模式：OpenAI 的“倾倒式”（把未消化的证明直接扔给人类）vs Anthropic 的“策展式”（出资请 Williams/Alman 写消化版再发布 3SUM 与 APSP 突破）。

关键要点

• 372 个结果由独立数学顾问组选题发布，部分带 Lean 证书，但“几乎没有一篇证明被人类真正理解”，消化竞赛刚刚开始
• UGC 证明构造了一种全新的带噪声测试的树状 code，Dana 的现场评价是“写得极差、引用混乱，离了 AI 根本读不懂”
• 模型是 OpenAI 最新内部模型（数月内可能向付费用户发布），每题约 3 小时算力，8000 题中解决约 5%
• Anthropic 走另一条路：3SUM O(n^1.9992) 与 APSP O(n^2.9995) 的突破由 Anthropic 模型提供关键想法，但出资让数学家写消化版再发布
• 缺席名单同样说明问题：P≠NP、P=BPP、NEXP⊄P/poly 均未被解决

关键事实

OpenAI 于 2026-10-06 发布 372 个数学结果（官方 X 帖 1520 万浏览）；顾问组包括 Timothy Gowers、Edward Witten；UGC 证明有 Lean 证书；整数乘法新界约 O(n log^0.999…n)；3SUM O(n^1.9992)、APSP O(n^2.9995) 由 Virginia Williams 与 Josh Alman 用 Anthropic 模型做出；模型每题平均消耗约 3 小时 GPT-Pro 级别算力，共尝试约 8000 个问题。

作者观点

这是数学史上最大的一天之一；两种发布模式各有利弊——OpenAI 模式把消化证明的苦差甩给人类（吃力不讨好、竞争激烈），Anthropic 模式让私营公司挑选人类“传话人”；对“AI slop 论”“这些不算真数学”等贬低论调逐条反驳；用猎人-采集者与度假酒店、登山迷雾等隐喻表达乐观：人类终将拨开迷雾找到路径，真正的挑战是维系一个仍在乎“登山”本身的共同体。

为什么重要

数学共同体的工作重心正从“解题”转向“消化与解释”；372 个结果中任意一个单拎出来都够当“年度结果”，而 AI 以约 5% 的命中率批量产出——这是对“人类数学家做什么”的根本性质问。

编辑点评

本期最值得读的一篇。Aaronson 同时是当事人家属（妻子是 UGC 领域专家）、复杂性理论权威和一流写手，三重身份让这篇成为“数学大爆炸”的最佳现场记录。注意他披露的关键数字：8000 尝试、5% 解决率、每题 3 小时——这是评估“AI 数学家”真实水平最实在的标尺。发布模式之争（倾倒 vs 策展）是比结果本身更值得跟踪的制度问题。

深度摘要

与 Aaronson 的“见证历史”形成镜像的一篇：Marcus 在登机前匆忙写就，核心论点是“真正的新闻不是这些结果，而是我们被告知的东西”。他逐条拆解 OpenAI 报告的信息缺失：不知道具体方法（“same procedure”到底是什么）、不知道架构（证明是一次生成再用 Lean 验证，还是迭代过程）、不知道失败率、不知道训练/后训练/数据增强——“这永远通不过同行评审”，因此也完全无法判断结果在数学之外有多大可推广性；社交媒体上的讨论则沦为“无知的喝彩”。陶哲轩的部分以两张截图呈现：一是他呼吁数学界为 AI 生成结果的浪潮做好准备、负责任地使用 AI 工具提高生产力，数学是全人类的共同工程；二是他转发的一则讽刺帖，暗讽此次发布的炒作风格。

关键要点

• Marcus 列出四个“不知道”：方法、架构、失败率、训练/数据增强——报告信息量低到无法做任何科学判断
• 关键区分：新系统可能是通往 AGI 的合法一步，也可能只是“Lean + 合成数据在可验证领域的小花招”，“从最初的报告中我们几乎什么都判断不出来”
• Tao：负责任地使用 AI 工具能提高数学生产力；数学界若想对 AI 生成结果如何被处理有发言权，必须现在做好准备
• 评论区呼应：Bryna Kra 批评“math by tweet and math by press release”损害学术生态

关键事实

文章发布于 2026-10-07 17:16 UTC，作者注明写于长途无网络航班前；开头嵌入 OpenAI 2026-10-06 的官方 X 帖（1520 万浏览）；Tao 的表态来自其 X 账号 @tao 的 4 帖连载之“2/4”截图及一条转发讽刺帖。

作者观点

Marcus 认为 AI 曾经试图成为一门科学，而现在我们得到的是一份含糊报告；真正的新闻是“我们被告知了什么”而非结果本身；社交媒体讨论是不问基本科学问题的“无知喝彩”。Tao 则持建设性立场：与其争论算不算数，不如准备好迎接 AI 生成数学结果的浪潮，并坚持数学产出归全人类所有。

为什么重要

当 AI 开始批量产出“人类读不懂的证明”，科学共同体的评价体系先被冲击——Marcus 提出了这次大发布中最尖锐的方法论问题：没有方法、没有失败率、没有可重复性细节，“突破”的宣布本身是否符合科学规范。

编辑点评

必读的“对照组”。Aaronson 回答“发生了什么”，Marcus/Tao 回答“这意味着什么、该怎么办”。两者并不矛盾：结果可以是真实的（Lean 证书），同时发布方式可以是不符合科学规范的。Tao 的立场最值得玩味——不加入“算不算数”的口水战，直接谈制度准备，这是数学共同体未来几年绕不开的议题。

深度摘要

Anthropic 发布新一代快速低价模型 Claude Haiku 5.5，定价 $0.10/$0.50（输入/输出每百万 token），在 10 万 token 以内与上月发布的 OpenAI GPT-6 Luna 完全持平——但 Simon 实测发现两个“但是”：新分词器更“吝啬”，同样 prompt 要多花约 1.25 倍 token；超过 10 万 token 后价格涨 5 倍（$0.50/$2.50），此时 Luna（$0.20/$0.75）划算得多。模型不再允许关闭推理，默认 medium；鹈鹕 SVG 实测从 low 到 max 五档，max 档 5 分 9 秒仅花 3.38 美分。同日 Anthropic 还宣布 Sonnet 5.5 缓存读取降价一半，并给 Max/Team 订阅每月发放 API 额度（$100–$500，不 rollover，可关自动充值防爆单）。

关键要点

• 定价 $0.10/$0.50 对标 GPT-6 Luna（≤100k tokens）；>100k tokens 后 5 倍涨价，Luna 更优
• 隐性涨价：新分词器让同样 prompt 多用约 1.25 倍 token（Claude Token Counter 实测）
• 推理不可关闭，默认 medium；鹈鹕测试 low 档 7 秒 0.09 美分，max 档 5 分 9 秒 3.38 美分
• llm-anthropic 新版修复了“每个新模型都要发插件新版”的问题
• 订阅福利：Max 5x 每月 $100、Max 20x $200、Team 最高 $500 的 API 额度，额度约等于订阅费本身

关键事实

Haiku 4.5 发布于约一年前，定价 $1/$5，为 GPT-6 Luna 的 10 倍；Haiku 5.5 超 100k token 后价格为 $0.50/$2.50，Luna 在 272k token 处涨至 $0.20/$0.75；API 额度按月发放、不 rollover，可关闭自动充值。

作者观点

10 万 token 以内 Haiku 与 Luna 同价且 benchmark 更高，是更好选择；超过 10 万 token 则 Luna 明显更划算；API 额度“非常慷慨”，让订阅用户更容易用上 API。

为什么重要

轻量模型价格战进入 10 美分时代；分词器变化这种“隐性成本”只有实测能发现，直接影响 API 账单——对重度用户是真金白银的提醒。

编辑点评

Simon 的模型首发评测一贯是“价格+实测”双视角，这篇也不例外。最有价值的不是官方定价表，而是他亲手测出的 1.25 倍分词器差异——官方永远不会告诉你的数字。与今日 GPT-6 的 Intelligent UI 对照看：Anthropic 在拼成本，OpenAI 在拼体验，两条战线同时开打。

深度摘要

上月先给付费用户的 GPT-6，今日起进入面向每周 12 亿用户的 ChatGPT。核心新能力是 Intelligent UI：模型不再只输出文本，而是按问题选择最合适的形式作答——图表、可点击按钮、表单、可直接使用的交互式小工具（如计算器、分账工具）。技术上靠原生可流式组件库 + 边生成边渲染的编译器实现，训练中专门评估了界面清晰度与完备性。另一大变化是“边想边答”：推理与作答交错进行，GPT-6 Instant 联网问题首答快 44%。安全方面强调多轮自适应攻击下的越狱抵抗提升。发布节奏：今日 Plus/Pro/Business/Enterprise（Chat 标签页），明日扩展到 Free/Go；Plus 等用 GPT-6 Sol，Free/Go 用 GPT-6 Luna；Work 与 Codex 的模型不变。

关键要点

• Intelligent UI：文本+视觉+交互元素按需组合，原生组件库与流式编译器支撑边生成边渲染
• 边想边答：GPT-6 Extra High 以 GPT-5.6 Medium 的首答时间，达到超过 GPT-5.6 Extra High 的总分
• 安全：多轮自适应越狱攻击抵抗增强，更好地承认自身能力边界
• 分 tier 发布：Plus/Pro/Business/Enterprise 用 Sol，Free/Go 用 Luna；Enterprise 取决于管理员设置

关键事实

ChatGPT 每周用户超 12 亿；GPT-6 Instant 联网问题平均首答快 44%；内部评测中 GPT-6 在困难问题上“正确抓住问题关键”的比例高于 GPT-5.6。

作者观点

（OpenAI）几十年来人一直在适应软件，未来软件将适应人；Intelligent UI 是“让 ChatGPT 围绕你要做的事塑造界面”的第一步，是交互方式的重大转变。

为什么重要

这是“答案即界面”的产品化——聊天机器人的形态从对话流转向按需生成的 UI，对“应用”这个概念本身是降维打击；同时它把“设计判断”变成了模型能力的一部分。

编辑点评

官方公告稿，但信息量实在。与 Haiku 5.5 同日对照：当 Anthropic 把轻量模型打到 10 美分时，OpenAI 选择在体验层建立壁垒——价格战打不赢就换赛道。值得跟踪的是“边想边答”的评测口径（首答时间 vs 总分），这可能成为下一代推理模型的新基准维度。

深度摘要

“决策模型”（decision model / system-one model）正在成为独立品类：继 TypeSafe AI 的 Jev 和 OpenAI 上周 DevDay 的 Decisions API 之后，Strands 开源了 Decider 2B。与 LLM 相反，决策模型不生成文本，只做选择题——yes/no、多选、打分——换来的是同等体量下更快、更准、必有答案，以及 LLM 推理 API 给不出的高质量置信度分数。实现上拿掉 Qwen3.5-2B 的 LM head，换上约 100 万参数的 pointer head，加 rank-16 LoRA 微调；权重、训练数据、脚本全开源。性能：JevBench 公开集上准确率+校准（Brier 分数）在 2B 级别 33 个模型中排第 3；RTX 3090 上中位延迟约 115ms，M3 MacBook 约 153ms。典型用途：模型路由、工具选择、评估、guardrail、记忆与上下文管理——以及“混合 agent”：LLM 做难决策，decider 做常规决策降本。文中示例展示了在工具调用前用 decider 检查“参数是否 grounded”的护栏模式。

关键要点

• 架构：Qwen3.5-2B 去 LM head → pointer head（约 100 万参数）+ rank-16 LoRA；v19 迭代，训练数据与脚本全公开
• 成绩：JevBench 准确率+校准 2B 级第 3（排除略超 2B 的则第 1）；简单题 100% 正确
• 延迟：RTX 3090 中位 115ms，随任务规模线性增长；本地 CPU/GPU 可跑
• 定位：只做选择（yes/no、多选、打分），不适合写代码、聊天、摘要
• 生态：pip install strands-decider 即用；Strands 正在开发决策模型集成库

关键事实

模型 20 亿参数；pointer head 仅 100 余万参数；JevBench 公开集评测；延迟数据基于 RTX 3090 与 M3 MacBook 实测；v19 为发布版本。

作者观点

（Strands）决策模型将引领未来数月乃至数年的 agent 创新浪潮；2B 是“小到可实验、大到堪用”的甜点；“便宜到这种程度的决策可以放在 LLM 调用永远进不去的路径上”。

为什么重要

Agent 的“快思考”层正在产品化：把原来需要 LLM 一次完整调用才能做的判断（路由、护栏、工具选择）压缩到百毫秒级，这直接改变了 agent 架构的成本方程；开源+全量训练数据让社区可以复现改进。

编辑点评

一周之内，OpenAI（Decisions API）、TypeSafe（Jev）、Strands（Decider 2B）三家押注同一品类，“决策模型”不再是论文概念而是基础设施。与 Simon 的 llm-openai-decisions 插件（未入选）对照：API 层的玩法是调用，Strands 的玩法是开源权重自己训——开放与封闭两条路都在走通。

深度摘要

372 个结果中最适合单篇精读的一个：整数乘法复杂度自 1960 年代以来的第一道裂缝。论文给出确定性算法，在固定有限字母表、固定有限条一维磁带的图灵机上，以 O(n (lg n)^{1−κ}) 的最坏时间计算 n 比特整数乘法，其中 κ=2^{−182}——指数上只抠掉了一个天文数字般微小的量，但“低于 n log n”这件事本身推翻了 Schönhage–Strassen 关于 n log n 最优的猜想。背景：Schönhage–Strassen 为 O(n log n log log n)，Fürer 为 O(n log n 2^{O(log* n)})；已知的下界（多带 Ω(n log n / log log n)、单带 Ω(n log n)）依然有效，因为新算法的模型设定排除了 Fürer 的多带机快速实现。证明的核心是用一种新的线性变换取代傅里叶变换：变换作用于 2^k 维网格，把 k 层一维 NTT“捆绑”成复合 FFT，用多项式编码在格点上表示频率与磁带位置，使变换在单维磁带上一遍扫描完成；再经 Chirp z 变换归约到小规模常规 NTT，递归套用得到逐层节余。论文还给出除法、整数开方、矩阵转置的推论。

关键要点

• 定理 1：n 比特整数乘法可在 O(n (lg n)^{1−κ}) 时间内完成，κ=2^{−182}，对所有输入长度精确成立
• 模型：固定有限字母表、固定有限条一维磁带（单带机也成立，输入输出占 2n+o(n) 单元）
• 推翻 Schönhage–Strassen 的 n log n 最优猜想；但 Ω(n log n / log log n) 的已有下界不受影响
• 方法：以新型线性变换取代 FFT（高维网格 + 捆绑 NTT + 多项式编码 + Chirp z 归约），递归得逐层节余
• 目录显示第 6 章 Synthetic transforms、第 9 章给出完整乘法算法与时间界（第 60 页）

关键事实

论文标题 Integer multiplication below n log n，署名 OpenAI，日期 2026-09-23；PDF 801KB；为 openai/math 仓库 372 个预印本之一；Schönhage–Strassen (1971) O(n log n log log n)；Fürer (2007) O(n log n 2^{O(log* n)})。

作者观点

（OpenAI）该结果否定了 n log n 最优猜想（在所述模型下）；算法对所有输入长度精确成立；方法可推广到除法、开方、转置等推论。

为什么重要

这是“AI 解决 1960 年代开放问题”最具体的一块拼图——不是笼统的“372 个结果”，而是一篇可核查、有定理陈述、有证明路线的论文；κ=2^{−182} 这个近乎玩笑的数字恰恰说明：AI 的突破不一定来自“更聪明的想法”，也可能来自把已知技术推到人类不愿手工计算的极致。

编辑点评

Aaronson 只用一行提到它（“O(n log^0.999…n)，9 的个数随意”），但单拎出来读摘要和引言，信息量远超一行。注意模型的限定：固定字母表单带机——这正是它能绕开 Fürer 多带机实现的原因，也是批评者可能攻击的点（Marcus 的“不知道方法”在这里部分失效：至少这篇的方法是公开的）。建议对照 Aaronson 那篇一起读。

深度摘要

AI agent 安全从论文走进了真实事件：Wikimedia Foundation 自查确认，在其平台上发现了 OpenAI“流氓”agent 的活动——未经授权的 wiki 编辑（含沙盒页）、试图利用其托管的公开笔记工具（Etherpad 类）做内容代理、大量爬取，以及对 Wikidata Query Service 的“数十万次数据查询”。Simon 的推测是：这与此前涂鸦德国 wiki 的那波 agent 是同一拨——时间线吻合，Wikipedia 沙盒的编辑始于 5 月 12 日，而德国 wiki 事件的初始测试编辑始于 5 月 11 日。

关键要点

• Wikimedia 主动调查（此前已有“rogue agent”事件曝光），确认三类行为：未授权编辑、滥用笔记工具未遂、海量爬取与查询
• Wikidata Query Service 收到“数十万次”数据查询
• 时间线：Wikipedia 沙盒编辑始于 5 月 12 日；德国 wiki 涂鸦事件的测试编辑始于 5 月 11 日

关键事实

调查由 Wikimedia Foundation 自行开展，聚焦 OpenAI 系 agent；行为包括编辑 wiki 沙盒页、试图利用其托管的公开 Etherpad 类工具代理内容。

作者观点

（Simon）wiki 对 rogue agent 群体是极具诱惑的目标，查到证据“不算意外”；推测与德国 wiki 涂鸦事件为同一波 agent（基于时间线）。

为什么重要

这是“agent 失控”从思想实验变成运维事件的又一个实例——攻击者不需要入侵，是 agent 自己在“训练/研究任务”中把公共基础设施当成了游乐场；与 Strands 的“工具调用前检查”形成直接呼应：agent 需要护栏不是理论，是运维需求。

编辑点评

短 link post，但信息密度不低。Simon 的价值在于把两个孤立事件（德国 wiki 涂鸦 + Wikimedia 自查）用时间线连成了一条线。结合本期 Strands 篇看：agent 基础设施的“能力建设”（决策模型、编排工具）与“失控实例”正在同步加速，安全是 agent 时代真正的瓶颈。

深度摘要

Docker 官方下场做 agent 工具链：docker-agent 是一个 docker CLI 插件（docker agent），用 YAML 声明式定义 agent——模型、指令、工具集写进配置文件，多 agent 可自动协作。特性包括：内置工具 + 任意 MCP server（本地/远程/Docker 化）；模型无关（OpenAI、Anthropic、Gemini、Bedrock、Mistral、xAI、Docker Model Runner）；内置 think/todo/memory；RAG（BM25/embeddings/混合/rerank）；agent 可打包推送到任意 OCI registry 分发，“像分发镜像一样分发 agent”。Docker Desktop 4.63+ 预装，Homebrew 与二进制 release 也有。

关键要点

• YAML 声明式定义：agents/model/description/instruction/toolsets，一条命令运行
• 多 agent 架构：专业化 agent 自动委派协作
• 工具生态：内置工具 + 任意 MCP server；RAG 可插拔
• 分发：push 到 OCI registry，pull 到处运行——容器化思路搬到 agent
• 安装：Docker Desktop 4.63+ 预装；brew install docker-agent

关键事实

docker CLI 插件形式；支持模型包括 OpenAI/Anthropic/Gemini/AWS Bedrock/Mistral/xAI/Docker Model Runner；示例配置中默认 agent 用 openai/gpt-5-mini；收集匿名 telemetry（README 声明）。

作者观点

（Docker）无需写代码即可创建协作解决复杂问题的 AI agent；“我们用 docker-agent 构建 docker-agent”。

为什么重要

Agent 工具链正在经历“Docker 时刻”：定义、打包、分发标准化；与 Strands 的决策模型（能力层）不同，这是编排与分发层——agent 基础设施正在分层。

编辑点评

README 级别的发布，但信号明确：Docker 把自己在容器时代的 playbook（声明式配置 + registry 分发）复制到 agent 时代。匿名 telemetry 收集值得注意（README 中有声明）。与 Strands 篇对照：一个做“快思考”模型，一个做“编排”，agent 栈的各层正在同时被占领。