gpt6.1sol正式把数学刷穿了：FrontierMath Tiers4评分100%(合集转寄)

这意味着，gpt6.1sol答任何人类能够给出答案的试卷都会是满分。 能评价它数学能力的只有不同层级的开放问题。 这个模型的每亿token综合价格在6块。 上次NScd耗了3000亿token，用gpt6.1sol去做，同token数大概消耗1.8万元实验经费。 几十上百年悬而未决的数学难题获得证明/证否，这样的成果将在接下来一个月迎来井喷。很多数学家几十年搞不出来的知名问题连证明带lean加论文打磨，总共消耗资金将在10元人民币以下。

这个指标在2025年2月的时候，最先进的gemini2.5pro得分是0% 2025年8月奥特曼宣布眩晕瘫坐的gpt5，得分是22% 2026年2月的一代神模Opus 4.6，得分是27% GLM-5.3是29% Qwen3.8 Max (0902) 是32% Kimi K3是39% Muse Spark 1.3 是46% Opus 4.8是48% GPT-6 Luna (max) 56% GPT-5.5 (xhigh) 72.5% Opus 5 (max) 73.2% Sonnet 5.5 (max) 80.5% GPT-5.6 Sol (max) 82.9% Fable 5.1 (max) 87.8% GPT-6 Sol (max) 90.0% Fable 5 (max) 90.2% Opus 5.5 (max) 95.0% Astra (high / xhigh / max / medium) 97.6%

「Tier 4 100%」的字面意思：在这个基准的 Tier 4 子集上，GPT-6.1 Sol (max) 把所有题都做对了——一题没错。 具体拆开讲： 1. Tier 4 是什么 FrontierMath 分两组：核心 300 题（Tier 1-3）+ Tier 4 的 50 道题。Tier 4 由数学教授和博士后各自花几周做一个「短期研究项目」，最终贡献一道题，难度被设计成远超 Tier 3（Tier 3 已是「博士生早期探索性研究」级别）。Epoch AI 自己的说法是：解出 Tier 4 会提供证据，表明 AI 具备在技术领域做出科学突破所需的复杂推理能力。泰伦斯·陶、Timothy Gowers 等菲尔兹奖得主对 Tier 3 的评价都是「异常困难」。 2. 100% 的技术含义 评分 = 答对题数 ÷ 总题数。子集约 50 题，所以每题约值 2%（榜单上其他模型 97.6% 的分差 ±2.4%，基本就是「差一道题」的量级）。 100% = 全部答对，没有误差条（其他条目因为差一两题才有 ± 区间）。 评测时模型可以使用 Python 环境，反复写代码、验证中间结果、迭代逼近答案——不是闭卷心算，而是「有充足思考时间 + 工具」的作答。 3. 为什么这个数字值得警惕地看 利益冲突：这 50 道 Tier 4 题全部由 OpenAI 出资委托，且 OpenAI 能接触到其中 30 道的题目与解答，只有 20 道是留给他们的 holdout。一个 OpenAI 模型拿到 100%，天然会让人担心它是否「见过」这些题（数据污染 / overfitting），而 100% 恰好是这种担心的最极端形态。 max 是最高推理档：(max) 表示拉满思考预算，不是默认设置；榜单里同一模型不同档位分数差距很大（GPT-6 Astra 从 none 的 82.9% 到 high 的 97.6%）。 v2 刚修过题：页面注明 2026-06-12 发布的 v2 修正了 42% 题目里的错误，所以这个分数是针对修正后的题集。 样本小：50 题，统计上很脆弱，一两题就能大幅改变排名。 它衡量的不是「通用数学能力」：题目要求给出可计算验证的封闭形式答案，配 Python 环境，和真正写证明、做原创研究的数学家工作方式并不相同。 一句话：这代表「在某道被测的 50 道研究级数学题上，该模型全部答对」；这是个很强的信号，但结合「题目由对手方委托、30/50 可见、样本仅 50 题、需最高推理档 + 工具」这些前提，它更应被理解为一个需要独立复现和 contamination 检查的高分，而不是「AI 已能做出数学研究突破」的定论。 要我把这个 100% 结果单独抓下来（含日志链接）或对比 GPT-6.1 Sol 与其他模型的 release/compute 曲线吗？

如果还是海量数据的模式匹配加逐步推理那意义不大 就是算盘到计算机的水平 要是使用了新方法，那才是真突破，前不久那个弱哥德巴赫猜想好像是用了新方法

人类急需提出新的数学假设 再不提就来不及了 现存的有能力提问题的数学家死了以后，新生代可能接不上茬，根本不再具有提出新问题的能力

假如人类能用数学解释宇宙了，ai也能顽石点头。

你说的是T1T2。 Tier4全部是研究级数学题。每一道都可以发不错的paper。刘维尔哥德巴赫猜想就相当于1道题。这种题gpt6.1sol可以无损刷穿。上次用初等数学方法搞定刘维尔的那个AI比这个AI在数学方面还弱点。 数学论文的价值贬值到每亿token6块钱了。 Tier 对应难度 说明 Tier 1（核心 ~20%） IMO / 高年级本科 但允许高级工具和编程 Tier 2（核心 ~40%） 研究生高年级 专家可能要花一天以上做证明、编程、多阶段推理 Tier 3（核心 ~40%） 博士生早期探索性研究 顶尖数学家确认可占用专家数天，需要冷门工具和「真正新颖的洞见」 Tier 4（50 题） 研究级，明确「远超 Tier 3」 由数学教授和博士后各自做几周的研究项目后贡献一道题

openai就是作弊，手里有原题

我试过了，这个ai开中高思考强度，可以无损速通各种竞赛试卷。比之前的5.6sol开最高档还强多了。 5.6sol已经能做开放数学问题了，5月份引发数学界关注的单位距离猜想就是5.6sol的内测模型做的。 我感觉数学工作者，可以放弃挣扎了，把现在自己正在做的问题，直接扔给这个ai做，大概率1天内能结题。1天内结不了题的，说明坑太深，最好放弃用人脑去做了。

赶紧让他验证一下望月新一的ABC猜想

有20道是没有的。gpt6.1sol也无损通关了。 这个测试废了，甚至测量不出6.1sol的上限。 FrontierMath那边还有个新榜单，全是调过的人类数学家觉得很难也比较有意义的著名开放数学问题。每一道都可以发很好的论文。 那个榜单之前只有gpt6astra能拿分，其他AI都是0分。现在可以试试gpt6.1sol和opus5.5了。

哥们，就算刷穿又怎样呢 到底俺这种还有几年能失业 数学家能不能现在都老老实实归位做教学

和豆包讨论了一下： T1每道题大概是IMO题目难度，或者数学系本科生作业、考试中的难题 T2是数学系研究生资格考试的难度，普通硕士发的小论文就在这个水平 T3是数学系顶尖硕士发小论文的题目难度，和普通博士发的小论文难度 T4是顶尖博士核心卡点的难度 gpt6.1sol在允许重复尝试的情况下，T4拿了100%的分，也就是官网公布的那个。一次性跑完整套T4，不准修改，gpt6.1sol能拿90%的分。 但是真实的科研环境肯定是可以多角度，多次尝试的。这意味这数学系的博士，现在可以把自己的课题全部扔给gpt6.1sol，然后出去旅游，国庆回来，成果就足以支撑优博毕业了，论文等各种材料全部写好验证过了。

这才是真正牛叉的大模型，得服老妹

人类怎么办？ 大家都失业？

听说最新的Gemini 4 Argon来了 不知道实际表现如何

问一问它能不能搞定受控核聚变，别整那些虚的。 如果核聚变太难搞不定，把高温超导理论做一下也可以，给出框架也行。

对，去干这个 还有开发药物啊 搞定CA啊，数学已经没搞头了

说过好多次，要给llm提出它没见过的新问题 真人数学家以后主要干两件事 提出新问题 简化论证或计算过程，理解论证或计算思路

[upload=1][/upload]

好像主打文学和金融

那就没啥意思了

│ 马 ┊ 啥 │ │ 大 ┊ 时 │ │ 定 ┊ 候 │ │ 理 ┊ 解 │ │ 啊 ┊ 决 │ │ 　 ┊ 费 │

怀 尔 斯？

对。搜了。已经证明了。

你这 out的也太久了

30多年前证明了

马克一下

简化论证和计算过程AI也能干吧 数学家应该就是创造些概念和问题 其余就自娱自乐理解一下 二流以下数学家及普通数学教师沦为督促学生学数学的监工

吹过头了，Lean形式化验证和论文打磨哪那么容易，真当数学家全得失业啊。

提出问题，发明概念，看起来是最难的

一点不难 给AI下达这个任务即可

对于数学来说，发明概念和定义系统就完成了大部分工作，剩下的都是体力活，机器比人能干，不奇怪。

关键是有意义