First Proof 第三批结果:顶级数学家出题实测各 AI 证明系统
littmath · x · 2026-10-15
由 Abouzaid、Srivastava、Ward、Williams 等顶级数学家发起的 First Proof 项目发布第三批(10 道研究级数学题)评测报告,评估当前 AI 系统解决真实科研数学问题的能力。题目来自数学家自身研究过程,评分维度包括数学正确性、表述质量与引用规范。
结果图显示(正确性/表述/引用三项分别打分):
- GPT-6 Astra 与多模型组合 ProofCouncil 表现最佳,多数题目三项均达 0.6 以上
- Siege (Opus 5.5) 多题未提交答案
- MerLean (GPT-6) 呈两极分化,部分题引用分严重为负
- Humanize (Kimi K3) 整体较弱,多题得分在 -0.6 以下
报告附人类解答、AI 解答全文及评审日志,是少数由领域专家主导、以真实研究问题为基准的严格评测。
「模型」频道最新
- Muse Wonder 未专训 3D 却胜 Gemini 4,物理可视化实测引关注 — alexandr_wang · 2026-10-15
- Cohere 曬 WMT26 翻译榜:自研小模型 84.36 分力压 Mistral、DeepL — cohere · 2026-10-15
- 网友考据:Anthropic 从未在周三发布 Sonnet/Opus 级模型 — ChrisGPT · 2026-10-15
- 8k 上下文胜过 480k:OpenAI Decisions API 实测成本降 84% — OpenAIDevs · 2026-10-15
- Gemini 4 Argon 频报 524 超时,离开 Antigravity 几乎不可用 — cedric_chee · 2026-10-15
- theo 盲测六模型读代码：Gemini 4 Argon 得 3.95 分，51% 断言为假 — theo · 2026-10-15