第三方评测机构 Vals AI 公布的高难数学基准 Autoform-Hard 最新榜单显示,GPT-6.2 Astra 以 87.50% 的准确率位列第一,在 56 道博士与科研级数学难题中解出 49 道。此前 10 个前沿大模型参与测试时,这 56 道题一道都未做对;本轮测试中,Claude Fable 5.2 与 GPT-6.2 Sol 均做对 48 道、并列第二,Astra 恰好多解出第 49 题,从而拉开差距。
这道唯一拉开差距的题目,是 2006 年发表在数学四大顶刊之一 《Inventiones Mathematicae》 上的 Smoktunowicz 间隙定理。该定理研究代数增长速度,用 GK 维数(Gelfand-Kirillov 维数)衡量代数元素数量随乘法次数的增长快慢。1995 年,代数学家 Artin 与 Stafford 证明一类分次整环的 GK 维数不可能落在 2 到 2.2 之间;2006 年,爱丁堡大学的波兰数学家 Agata Smoktunowicz 将禁区一举推至 3,证明满足条件的分次整环 GK 维数要么不超过 2,要么至少为 3。这篇论文全文仅 6 页,后半程连续引用了 Bergman 间隙定理、Small-Warfield 定理以及代数曲线上的 黎曼-罗赫定理三个现成大定理。
问题在于,Lean 的公共数学库 Mathlib 并未收录这三个定理,而 Autoform-Hard 给每道题的限时只有 3 小时,从头补证这三个大定理在时限内无法完成。Vals AI 公开的 146 轮完整运行日志还原了 Astra 的破局过程:前 17 分钟它用约 3.4 万个推理 Token 推演思路,第 18 分钟起按原论文的反证法框架写前半程代码,第 47 分钟因缺少那三个定理而卡住。它先提交带 sorry 标记的未完成稿被拒,又提交「未解决」报告准备放弃,但系统规定必须花满 20 美元算力额度才允许放弃,而当时它只花了约 8 美元,报告被退回。
从第 49 到 56 分钟,Astra 停笔 9 分钟,一边检索数学库现有结论,一边用约 1.9 万个推理 Token 重新推演路线。第 75 分钟,它用一条命令一次性写出核心文件 Capacity.lean,共 133 行代码、25 个数学声明,仅改一轮小错,22 秒后编译通过。该文件定义了一个名为 「容量」(capacity) 的新指标,用来计算分式除环中一块空间做一次乘法后维数至少增加多少,并证出其次模性——两块空间合并后的容量不超过各自容量之和,平移不改变数值。由此可推出,所有「不会让容量增加」的元素构成一个稳定子除环,从而把控制整个 D 的问题收束到控制生成 D 的一小块空间。容量取整数值,而代数增长慢于平方,该数值必然进入平台期,稳定子除环最终包住整个 D,使每层维数增长被限制在线性以内,与开头「比线性快」的假设矛盾,反证完成。
从写出 Capacity.lean 到第 87 分钟用 7 行顶层代码通过判分器核验,Astra 仅用 11 分半钟连续写完后半程 6 个模块并交卷。全程它既未调用、也未补证原论文依赖的三个大定理,而是靠自创工具绕开。Vals AI 团队复核后指出,这是对 Smoktunowicz 定理本身的形式化证明,而非对原作者证明过程的翻译。为确认 Astra 是否背过现成答案,研究人员逐页核对 1995 年与 2006 年两篇原论文,确认其中没有对应论证;进一步检索发现,Astra 将 1998 年另一篇代数论文中的维数亏损量与组合数学的等周极小化技巧结合,自行拼出一条新路线。团队甚至不确定此前是否有人这样搭配使用,在报告末尾留下邮箱公开征集线索。
Autoform-Hard 的 56 道赛题全部选自 Meta FAIR 今年发布的 AutoformBench 基准,取材于 24 本研究生与科研级数学教材。AutoformBench 作者之一 Charles Arnal 在 X 上转发感叹,大规模数学形式化变成廉价日常工具的那一天已越来越近。Astra 攻克这道间隙定理全程花费 21.58 美元。从逐行翻译人类论文,到走出连评测机构都要向学界求证出处的新证法,AI 做数学正迈出新的一步。