陶哲轩又发成绩单了。
由他主导的First Proof项目第二批评测结果正式出炉——10道从未公开过解法的前沿数学新题，AI系统最终交出了7份达到学术发表标准的解答。最低一题的成本，只有8美元。
延续项目的核心规则：选取10道从未在网络、期刊上公布过解法的研究级数学新题，交由AI作答。但这次，标准抬高了——全程采用专业的双盲同行评议机制，经专家评定，最终有7道题的AI解答达到学术发表标准。
其中最漂亮的，是Problem 5——一道随机偏微分方程问题。AI的解法完全跳出了人类常规思路，推导出了比人类解法更强的中间结论。评审给出的评价是“基本无瑕疵”。
双盲同行评议
这次的题目全部来自数学家真实研究中的新问题。覆盖了可计算理论、离散几何（与经典的莫比乌斯带猜想相关）、离散概率、度量几何（本次AI全军覆没的难题）、随机偏微分方程、格论、组合拓扑、拟阵与热带几何、代数组合、冯·诺依曼代数十个方向。
和第一次评测一样，每一道题都从未在网上或期刊上公开过证明。出题人包括Larry Guth这样的顶尖数学家。
第二轮测试最大的升级，就是引入了双盲同行评议机制。不再让参赛方自己测试，全部由项目组统一操作；还邀请了30位数学专家像期刊审稿一样盲审打分。评审只能看到提交的证明稿件，完全不知道作者是AI还是人类。
所有证明按照人类数学论文标准审核，分为四档：
- Essentially Flawless（基本无瑕疵）：逻辑严谨，几乎不用修改就能直接发表；
- Minor Revisions（小修）：数学逻辑没问题，只是写错引用、表述啰嗦、小笔误；
- Major Revisions（大修）：大方向没错，但核心步骤有漏洞，需要专家花大力气补全；
- Reject（拒稿）：思路错误、关键证明造假、完全答非所问。
参与本次第二轮评测的共有4套AI系统：
- System A：IMProofBench —— 以GPT-5.5 Pro作为核心底座，同时兼容调用GPT-5.5、Gemini 3.1 Pro预览版、Claude Opus 4.7多款大模型协同运算。
- System B：UCLA Moonshot Harnes —— 由加州大学洛杉矶分校团队研发，出自陶哲轩团队之手，统一基于GPT-5.5 Pro搭建。
- System C：OpenAI ChatGPT 5.5 Pro —— OpenAI官方原生模型，测试过程中开启最高等级推理模式。
- System D：Princeton Momus —— 普林斯顿大学团队推出的推理系统，底层依托Gemini 3.1 Pro预览版运行。
本轮测试采用“一题单次作答、无额外交互”的规则，所有系统在统一标准下完成答题。
成本最低8美元
综合39份有效AI解答的评审结果来看，在全部10道难题里，有7道题目出现了达到发表标准的解答——拿到“近乎完美”或“小幅修改即可发表”的评级。其中苏黎世联邦理工的System A表现亮眼，在P5随机偏微分方程这道难题里，跳出人类常规思路，用全新方法完成证明，推导出更强的结论。
除此之外，第三题离散概率、第九题代数组合中，部分AI也给出了和人类解法截然不同的原创论证。面对有成熟文献参考的题目，AI优势更为明显——比如和经典莫比乌斯带猜想相关的P2离散几何题，三套AI都沿用已有研究思路顺利作答。组合拓扑、格论等题型上，多套AI也交出逻辑完整的答卷，仅存在行文、格式等小问题。
本次评测还统计了四套AI的调用成本与耗时。云服务器总成本不足35美元，可忽略不计，但模型调用费用差距悬殊。
OpenAI原生ChatGPT 5.5 Pro性价比最高：10道题总花费117美元，最便宜的8美元，最贵的也就16美元。该模型运行5.8小时，耗时最短，但原创能力偏弱。普林斯顿团队系统花费1014美元、运行7.8小时，投入产出比较低。解题能力最强的苏黎世联邦理工团队系统总费用达3186美元，单题最高花费951美元，运行22.9小时。陶哲轩所在的UCLA团队系统成本最高，共计4799美元，运行23.1小时，虽稳定性尚可，却未实现能力突破。
对于本轮整体表现，陶哲轩自己也认为未达预期，现存问题将作为后续优化方向。同时，后续安排已经明确——8月至10月将开展First Proof项目第三批正式评测，评测规则沿用第二批次标准。
只能说，First Proof——AI数学最严厉的母亲。