OpenAI 生成的数学手稿与配套证明工件

一句话看懂：OpenAI 在 GitHub 上公开了一个数学仓库，里面是一个内部模型产出的 722 篇数学手稿，覆盖 372 个结果族，其中一部分配有 Lean 形式化证明。这不是产品发布，而是把“大模型能不能做原创数学研究”这件事摆到了可公开检验的位置上。

事件核心：发生了什么

根据仓库 README，这些手稿来自一个未公开的内部 OpenAI 模型。OpenAI 表示，当现有数学评测趋于饱和后，他们把评估范围扩展到开放研究问题上，累计向模型提出约 4000 道题，平均每项结果消耗约 3 小时 ChatGPT Pro 级别的思考算力。最终筛选出 722 篇手稿、归入 372 个“结果族”，每个族内含主结果、配套论证、推论或替代证明，并按数学分支分类。仓库还单独发布了 10 个结果的推理摘要，涉及 π 的无理性指数、Mahler 猜想、量子海森堡铁磁体自发磁化、自由群因子同构、三维相对论 Vlasov–Maxwell 系统等方向。需要注意的是，并非所有结果都有 Lean 形式化验证，OpenAI 自己承认未形式化的部分“可能存在问题”。

为什么重要

过去大模型的数学能力主要靠竞赛题和基准测试衡量，这次的不同在于目标从“解题”转向“提出并论证新结果”，等于把评测标准换成了同行评审逻辑。配套的 Lean 库和 Comparator 检查说明，OpenAI 试图用形式化验证给模型输出做可信度分层：有形式化证明的、有人工编辑的、只有手稿的，可靠性并不相同。这既是对 AI 科研辅助能力的一次公开压力测试，也可能影响未来模型能力宣传的叙事方式——不再只报分数，而是交论文。

对用户/开发者/创作者的影响

对开发者而言，这个仓库更值得当作“研究范本”而非可直接调用的 API：它展示了如何用形式化工具管理模型生成的复杂推理内容。对研究者和数学工作者，它提供了一批可核查、可质疑的素材，尤其适合关注 π 无理性指数、Mahler 猜想等具体方向的读者自行比对。对普通用户，目前公开信息显示这并不直接改变 ChatGPT 的使用体验，但推理摘要中透露的“三小时思考算力”暗示，这类高算力推理模式的成本与调用门槛仍会显著高于日常对话。