待验证｜GPT-5.6「发现新数学」？Sam Altman 一句话把 OpenAI 还没写进博客的能力提前放出来
缺位的证据链——这件事最该讲清的是「没被发现」而不是「发现」
本文要点
- OpenAI 内部口径从预览博客不写数学,到 Altman 在 X 公开称发现新数学,出现 17 天时差
- GPT-5.6 三大能力基准(Terminal-Bench 2.1、GeneBench v1、ExploitBench 与 ExploitGym)均不涉纯数学
- GPT-5.6 Sol 在 Cerebras 上以 750 tok/s 部署,首次为数学形式推理类负载提供亚秒级延迟路径
阅读辅助
先看数字、证据和来源，再读正文。
Sam Altman 在 2026-07-05 X 帖称 GPT-5.6 正在发现新数学
2023-12 · DeepMind FunSearch 论文登 Nature 624:LLM 在极值集组合学上发现新结果
信源硬度:Altman 一句话与 OpenAI 一篇博客之间的不对称
把这件事放回证据矩阵,核心不是「Altman 说的是不是真的」,而是「我们作为早报,有什么资格说它是真的」。目前的证据基础是两条互不对称的一手材料:
第一条:2026-07-05 北京时间 23:30,Sam Altman 在 X 发出的个人帖。 原文是「our older kid put two words together for the first time and i am approximately as amazed by this cognitive feat as i am by GPT-5.6 discovering new math」。16 小时内这条帖文拿到了 9,131 赞、240 转、993 回复、152 引用、86.8 万阅读——对一个非产品发布、非融资、非监管话题的纯个人感慨来说,互动量异常高。Altman 是 OpenAI CEO,这条声明在默认语境下会被读者按「接近官方」对待,这是 founder 帖的传播溢价。
第二条:2026-07-05 倒推 17 天,OpenAI 在 2026-06-18 发布的《预览 GPT-5.6 Sol:新一代模型》官方博客。 这是一篇 8,000+ 中文字符、有完整 benchmark 对照、有定价表、有安全系统卡链接的正式发布物。它的能力章节把 GPT-5.6 明确框定为三大块:Terminal-Bench 2.1 编码、GeneBench v1 生物学、ExploitBench²/ExploitGym 网络安全。全文没有一行字把「数学」列为本次能力亮点,没有公布任何数学基准(MATH、FrontierMath、PutnamBench)的对比分数,也没有挂出任何定理或论文链接。
第三条证据不在场:第三方数学家验证、arXiv 预印本、独立媒体跟进,这三项在 2026-07-05 到 2026-07-06 早报撰写之间全部缺席。 152 条引用推、993 条回复内未见具体定理或论文引用(基于公开 X 帖抽样);OpenAI 部署安全系统卡页未提及数学能力评估;陶哲轩、Peter Scholze、Terence Tao 等独立数学家无公开评论。
这三条放在一起意味着:这件事在早报的话语体系里只能落在 confidence: low 这一档——这是诚实做法,不是悲观做法。LMArena/官方博客/学术预印本的标准证据链条里,这件事目前只走了第一步(founder 个人发声)。
机制:GPT-5.6 已经公开的能力,以及 Cerebras 750 tok/s 的工程含义
把 OpenAI 自己已经讲清的部分梳理成表,因为这些是 high confidence 的硬事实,后面的「数学」叙事必须建立在这个对照之上。
| 维度 | GPT-5.6 Sol 表现 | 对比对象 | 来源 |
|---|---|---|---|
| Terminal-Bench 2.1(编码代理) | 88.8%(Sol Ultra 91.9%) | Claude Mythos 5 84.3%、Claude Fable 5 82.5%、Claude Opus 4.8 70.7%、GPT-5.5 88.0%、Gemini 3.1 Pro Preview 70.7% | OpenAI 预览博客 |
| ExploitBench²(网安) | 1/3 输出 token 量即可对标 Mythos Preview | Claude Mythos Preview | OpenAI 预览博客 |
| 网络安全准备框架 | 未跨越 Critical 阈值;识别漏洞与利用原语,未生成可用完整攻击链 | 自评 | OpenAI 部署安全系统卡 |
| GeneBench v1(生物学) | 强于 GPT-5.5 且 token 用量更少 | GPT-5.5 | OpenAI 预览博客 |
| 自动红队算力 | >70 万 A100 等效 GPU 小时,聚焦通用越狱 | — | OpenAI 预览博客 |
| 阶梯定价 | 入 $5 / 出 $30 每百万 token | Terra $2.50/$15,Luna $1/$6 | OpenAI 预览博客 |
| Cerebras 推理侧速率 | 高达 750 tok/s,7 月起部分客户可用 | — | OpenAI 预览博客 |
需要注意:这是 OpenAI 自己公布的能力点。预览博客的能力章节标题是「能力」,但正文只展开了编码、生物学、网安三块。「GPT-5.6 在数学上有何突破」在博客里既没有被承认也没有被否认——它只是缺席。Terminal-Bench 2.1 上 Sol 从 GPT-5.5 的 88.0% 提到 88.8% 这一档,口径是命令行工作流基准,不是纯数学定理发现;虽然 Terminal-Bench 中部分任务涉及算法与数值推理,但与 Altman 用的「new math」措辞不在同一量级。
把视线放到 Cerebras 这一行:GPT-5.6 Sol 在 Cerebras 上的 750 tok/s 输出速率,是 2026 年 7 月起部分客户可用的部署选项。这件事在博客里被一笔带过,但它和 Altman 的「新数学」叙事可能才是真正的因果链——当模型可以用近乎实时的速度输出 Lean/Coq/Rocq 这类交互式定理证明器的证明步骤时,数学发现的 agent loop 会从「分钟级思考一次」跨进「秒级思考一次」。这是 2026 年 AI for Math 从研究项目跨进产品级阶段的工程标志,Altman 的帖文只是把这个变化用「discovering new math」六个字提前放出来。
信源反方:三种替代解读,在同一段内而不是三节并列
要承认这件事存在多种解读,但不需要把每种都铺成独立小节。三种可能性可以压在同一段:
第一种,Altman 可能说的是真实但狭窄的事实——预览期内他看到了某个内部演示,某个 prompt 让 GPT-5.6 跑出了 OpenAI 之前没见过的数学结果(可能是组合恒等式、级数求和、FrontierMath 上的某个新阈值,或 Red Team 测试中偶然发现的形式化证明),founder 在被显著的瞬间发了推文,没有走完「写论文、挂预印本、过同行评议」的链路——这不是撒谎,而是工作流和个人发声习惯。第二种,「new」可能只是相对 GPT-5.5 或相对 OpenAI 内部之前工作的「new」,而不是相对人类数学已知前沿的「new」——后者极其严格(连 FunSearch 2023 年也只是相对 cap set 已知下界的扩展),前两者的口径宽松得多,这件事仍有意义但远没有「AI 推动人类数学边界」的冲击力。第三种,博客口径不提数学也可能有 OpenAI 自己的理由——法律/出口管制(高级数学能力可能触发 EAR/ITAR 评估)、内部安全评估未完成、商业节奏(OpenAI 想等更广泛可用时再放出数学 benchmark)。
这三种解释里,第一种和第二种是 Altman 自己可以让这件事升级的口径——只要 7-14 天内补出博客/系统卡/预印本,就会从 founder 声明升级为产品级发布。第三种则把这件事的真正副产物暴露出来:「CEO 个人声明 vs 公司官方博客」之间的同步问题——类似的张力过去在 Anthropic、xAI 都出现过,但 OpenAI 这次因为「数学」一词的冲击力显得格外突出。
历史对照:「LLM 发现新数学」不是 Altman 首创,差距在证据链硬度
把 Altman 这条帖放进 LLM 数学的历史脉络,需要承认一件事:LLM 在数学上做出署名结果,不是 Altman 在 2026-07-05 这一天才发生的事。
- 2023-12:DeepMind 把 FunSearch 论文登在 Nature 624 上。FunSearch 用 LLM(Codey)+ 自动评估器在组合数学的「上限集」(cap set problem)问题上找到了新的、更大的构型——这是 LLM 第一次在主流数学期刊留下署名结果。
- 2024-07:DeepMind AlphaProof 在 IMO 2024 解出 6/6 = 28/42 分——这是 LLM 第一次在国际数学奥林匹克上达到银牌线。和 FunSearch 不同,AlphaProof 的关键不是发现新定理,而是证明人类已经写下的题目,但这种长程形式推理能力是 FunSearch 没有的。
这两项工作的共同点是:都有公开论文或期刊发表,都有第三方数学家可验证,都有具体定理或题号可索引。FunSearch 有 GitHub 代码、有 Nature 论文、有可复现路径;AlphaProof 有 IMO 现场直播、有事后技术报告、有题号索引。把 Altman 一句话声明和这两个里程碑放在一起,差距不在「发现本身」,而在「证据链的硬度」——DeepMind 在 FunSearch 时是 Nature 论文 + 公开 GitHub;在 AlphaProof 时是 IMO 现场直播 + 后续技术报告。这两项工作的共同点是「公司公开声明后,数学社区在 7-30 天内做出回应」。Altman 的声明到现在 16 小时,这种回应密度尚未出现。
Altman 没有说 GPT-5.6 在哪个数学分支、哪个具体问题上、相对谁、相对哪条已知前沿做到了「新」。读者从他的帖文里只能读出一件事:他个人被显著了。这是 founder 视角,不是数学视角。
真正值得警惕的点
把这件从「八卦」拉回「行业」层面,有几条真正值得从业者记下的判断——
一是「demo」与「产品」之间的传播鸿沟。 Altman 在 X 上的高互动声明,会让二级媒体和推友把它当作既成事实传播;但事实上,从声明到「可被独立验证的数学发现」之间,至少缺三步:具体结果披露、定理/证明可查、独立数学家复核。这两天任何「GPT-5.6 已经发现新数学」的中文/英文二级报道,从业者应当默认打上「待核实」标签。Altman 历次高互动个人帖有两种典型形态——一类是「我被显著了」式的主观情绪(本次属此类),另一类是「我们对齐了某项标准」式的官方进程(有配套博客、论文或系统卡)。第一类的命运分叉点是 30 天内是否被官方补充;如果没有,会自然沉到「已被市场定价但缺乏证据」的层级。
二是「OpenAI 进入数学赛道」的结构性含义。 即使这件事最终被证明是 hype,它也意味着 OpenAI 在产品战略层面把「数学」放到了和「编码、生物、网安」并列的位置。这与 DeepMind 在 2023-2024 年做 FunSearch 和 AlphaProof 的路径是同构的——AI for Math 正在从「研究项目」变成「产品级能力」。这是 2026 年 AI 圈的一个结构性变化,Altman 的帖子只是把这个变化提前放出来;Anthropic、xAI、Google 此前都未公开声称自家 LLM 发现新数学,OpenAI 这条声明是赛道首发。
三是 Cerebras 750 tok/s 部署背后的工程拐点。 这件事 GPT-5.6 博客里讲了,但和 Altman 的「新数学」叙事没有显式挂钩——它可能才是真正驱动 Altman 声明的工程基础。GPT-5.6 Sol 在 Cerebras 上的 750 tok/s 输出速率,第一次为「数学形式推理」类负载(尤其是 Lean/Coq/Rocq 这类交互式定理证明器)提供了亚秒级延迟路径。当证明步骤可以被近乎实时输出时,AI for Math 的 agent loop 速度会发生数量级变化——这件事的真正信号不在 Altman 的帖文里,在 Cerebras 部署公告里。
四是「founder 个人发声」与「公司公开节奏」的脱钩风险。 Altman 与公司口径不同步这件事本身就是一个值得记录的副产物——CEO 个人帖与 17 天前的官方博客口径不一致,会让市场把一句 founder 视角的感慨当作「OpenAI 已经做到这件事」来定价。从公司治理角度看,这是 2026 年大型 AI 实验室普遍存在的发布节奏问题,但数学一词的冲击力让 OpenAI 这次格外显眼。
GPT-5.6「发现新数学」这件事,在早报视角下需要被读成一句 founder 声明。它值得被报道;但能否被采信,要等更多证据。以下三条是早报视角下真正站得住的判断——
判断一:信源硬度决定一切,目前只能落在 confidence: low。 这条叙事目前由一条 X 帖(Altman 个人)+ 一篇不涉数学的官方博客(2026-06-18 GPT-5.6 Sol 预览)构成。第三方数学家验证、arXiv 预印本、独立媒体跟进这三项证据全部缺席。在证据矩阵上,这件事落在 confidence: low 这一档——这是诚实做法,与对 OpenAI 的评价无关。对从业者来说,正确的应对是「等三天到一周,看 OpenAI 是否补出博客/论文/系统卡」,而不是立刻把这件事当作既成事实传播。
判断二:17 天的时差比声明本身更值得追问,founder 与公司公开节奏的脱钩是这件事真正的副产物。 OpenAI 在 2026-06-18 的预览博客里把 GPT-5.6 的能力框定为编码、生物、网安三块,通篇不提数学。Altman 在 17 天后突然发一条个人帖讲发现新数学,这个时差指向三种可能:OpenAI 内部在预览期内看到了数学能力跃升但出于出口管制或安全评估考虑没写进博客;Altman 个人被某个 demo 显著,走在了公司公开节奏前面;这件事的冲击力被 Altman 高估,博客团队没有采信。无论哪种,Altman 与公司口径不同步,这件事本身就值得关注——CEO 个人帖与 17 天前的官方博客口径不一致,这是 founder 发声与公司治理节奏之间脱钩的最新案例。「demo 当产品传播」和「founder 与公司不同步」这两个二阶评论,本质上是同一个问题的两个面:当一句感慨在 16 小时内拿到 86.8 万阅读,它的市场效力已经等于一次产品发布,但它的证据强度仍然是 founder 个人声明。
判断三:把 Cerebras 750 tok/s 当作这条声明的工程底色来读。 GPT-5.6 Sol 在 Cerebras 上的 750 tok/s 输出速率,第一次让数学形式推理类负载(Lean、Coq、Rocq)有了亚秒级延迟。当证明步骤可以被近乎实时输出时,AI for Math 的 agent loop 会从「分钟级思考一次」跨进「秒级思考一次」——这是 2026 年 AI for Math 真正进入产品级阶段的工程标志。Altman 的帖子用「discovering new math」六个字把这个变化提前放出来,底层驱动是 Cerebras 推理侧部署加 GPT-5.6 max/ultra 推理强度,而不是某个具体的数学定理被首次给出。
从业者这两天应当做的,是把这件事先记下来,等 7-14 天后回头看是否被官方补充。DeepMind 在 FunSearch 时是 Nature 论文 + 公开 GitHub;在 AlphaProof 时是 IMO 现场直播 + 后续技术报告。OpenAI 如果走同样的路径,这件事会从 founder 声明升级为产品级发布;如果没有,它就会自然沉到「X 圈高互动但无第三方跟进」的层级——和 2024 年 Altman 关于 AGI 的几次表态一样,听起来显著但缺乏可验证锚点。