49位数学家耗时45天，用100道研究级数学题拷打GPT-4o、Claude等五大模型，结果仅剩2题未解——这不是科幻，是2026年4月刚发生的真实测试。#日报# #大模型#

这份来自莱比锡的预印本（arxiv.org/abs/2606.05818）亮点有三：

1️⃣ 技术亮点：题目全来自已知答案的文献，但并非简单检索——数学家刻意筛选了需要多步推理、跨领域引用的“硬骨头”。测试分三阶段，从单次尝试到多轮对话，最后人类数学家只留了2道无人能解的“守门题”。这意味着当前顶级LLM在**可验证的数学推理**上，已接近人类专家团队水平。

2️⃣ 海外开发者怎么看：HackerNews评论中，有人冷静指出“这是已知答案的文献题，不是探索前沿未知”——但别忘了，数学文献题本身就是对推理链条的极致考验。更有趣的是，有人评论“只要没意识，我们就安全”，暗示对AI推理能力跃迁的复杂心态：既震撼又警惕。

3️⃣ 对国内同行的启示：国内大模型在中文数学推理上常被诟病“算得快但逻辑跳跃”。这份测试证明，**多阶段评估+人类专家协同**才是衡量推理能力的正确姿势。国内开发者不妨借鉴其“先单次后多轮”的测试框架，替代简单的刷分榜单。

我的看法：当AI能解98%的已知数学难题，下一步不是恐慌，而是思考如何用这98%的能力去攻克那2%的未知——以及，我们人类该把精力放在哪里。

#工具# #数学推理#