OpenAI神秘模型攻破数学前沿：722篇AI生成论文背后的信号

AI行业从不缺少重磅消息，而这一次OpenAI、Mistral、Google与Anthropic几乎同时放出大招。其中最令人震动的，是OpenAI一款尚未发布的前沿模型——社区暂称其为"GPT-Bell"，可能是GPT-6.5或GPT-7——在数学研究领域展现出的惊人能力。本文梳理YouTube频道WorldofAI整理的这波密集更新，并分析其中真正值得关注的技术信号。

OpenAI神秘模型：722篇数学手稿意味着什么

OpenAI近期公开发布了722篇AI生成的数学手稿，覆盖372个结果族系（result families），这些成果来自对该内部模型约4000个数学研究问题的测试。关键在于，这些并非常规基准测试题，而是触及黎曼ζ函数（Riemann-Zeta）、霍奇猜想（Hodge Conjecture）、自旋玻璃、量子磁性、自由群等真正的前沿研究方向。

更你可能没注意到方法论层面的严谨性：部分结果采用了Lean形式化证明，意味着这些论断可以由形式化证明系统验证，而不只是依赖人工审读AI的输出。据报道，平均每个成功结果仅需约3小时的ChatGPT Pro等效"思考算力"。OpenAI甚至就如何公布这些结果咨询了普林斯顿高等研究院及独立数学与AI顾问团队。

这里需要保持清醒：发布数百篇手稿并不等于每一篇都是经过验证的数学突破。所谓黎曼ζ函数"在特定区域外无零点"的进展、霍奇猜想特例的结果，都还需要独立的严肃审查，远不等同于解决完整猜想。

真正的信号不在于某一条定理，而在于规模——一个未发布的模型并行探索了数千个研究方向。这暗示科学研究本身正在变得"可并行化"：不再是一位数学家花数月探索单一方向，而是AI系统同时推进成千上万条路径，由人类验证并在最有希望的发现上继续构建。考虑到数学支撑物理、物理支撑工程、工程支撑芯片与材料，再叠加"AI帮助研究者发现更好的算法与硬件、从而造出更好的AI"这一反馈回路，这件事的影响远超"ChatGPT变聪明了"。

Lean是一种交互式定理证明器（Interactive Theorem Prover），由微软研究院开发，用于将数学证明转化为计算机可验证的形式化语言。与普通数学论文依赖人类专家审读不同，Lean能在逻辑层面逐步检验每一个推理步骤是否严格成立，从根本上排除人类审阅可能遗漏的细微错误。黎曼猜想（Riemann Hypothesis）是克雷数学研究所七大"千禧年难题"之一，其核心是关于黎曼ζ函数非平凡零点分布的断言，至今悬而未决逾160年。霍奇猜想同属七大难题，涉及代数几何中复代数簇的拓扑特征与代数闭链的关系。OpenAI所指的并非解决了完整猜想，而是在这些方向的特定子问题或受限情形下取得了新结果——这本身已是数学研究中有价值的进展，但与"证明猜想"之间仍有本质距离。

28天连续发布：OpenAI第二天的四项更新

作为"28天连续发布"承诺的第二天，OpenAI一口气推出四项功能。

**Auto-review（自动审查）**现对所有登录ChatGPT账号的用户免费开放。它用第二个agent自动审查主agent的操作，专门捕捉高风险动作或偏离原始意图的行为，尤其适合长时间运行的agent任务。更重要的是，Auto-review不再消耗用户套餐额度——此前它可能占用2%到10%的用量。

API层级简化：原本5个付费层级精简为build、launch、grow三档，达到最高grow层所需的累计API支付从1000美元降至500美元。Meetings插件可在会议中记录笔记、生成个性化摘要与后续步骤，并直接存入ChatGPT的space，还能把上下文传入Codex继续执行，目前在macOS桌面端对Pro与Business用户beta开放。Decision API则是一个实时分类器，让应用快速决定下一步该用哪个模型、工具或动作，速度据称可达GPT-6 Luna的10倍，OpenAI也将在内部用它改进ChatGPT。

有意思的是，社区还就"第二天是否够格"发起投票，最终OpenAI以"规则就是规则"为由重置了所有人的用量额度，且没有收回当天发布的功能。

Mistral Large 4：欧洲的万亿参数开源王牌

Mistral发布了代号"Le Chunk"的Mistral Large 4——一个万亿参数、原生多模态的MoE模型，激活参数约490亿。Mistral称其为美国或欧洲地区聚合基准上最强的开源权重模型，并主打网络安全、金融、制造与视觉定位（visual grounding）等场景。该模型端到端在欧洲开发，可通过Mistral自有的欧洲云部署，对关注数据主权的欧洲企业颇具吸引力。API现已可用，开源权重将在月底放出。

网络安全是它最亮眼的强项。在capture-the-flag（夺旗）速通测试中，面对19个安全挑战，Mistral Large 4完成了其中18个（原视频数据表述略有混乱）。它之所以在网络安全基准上超越Opus 5.5和GPT-6 Astra，很大程度上是因为它拒绝的安全任务少得多——而Opus与Astra约有40%的任务被自身安全过滤器拦截。

在恶意软件逆向工程中，模型拿到一个从未见过的未知二进制文件，成功识别为Cobalt Strike，提取出恶意软件配置与入侵指标（IoC），并生成完整调查报告，还附带用于检测同类事件的Yara规则。据Mistral称，这类通常需要安全研究员一整天的工作，模型仅用12分钟完成。

但在创意编程、Web开发等常规软件开发场景，表现则明显参差。在同一组3D生成提示的八模型横评中，Mistral在埃菲尔铁塔任务上是开源模型里最佳（整体冠军为GPT-6 Astra），却在水族馆任务上接近垫底。价格是它的另一大卖点：三个场景合计仅0.87美元，而Opus需要13.83美元。需要注意Mistral Large 4默认关闭推理，开启后虽改善质量却极慢，三个场景耗时约66分钟。总体而言，它不是适合日常使用的编程主力，但在网络安全、恶意软件分析等知识工作领域值得一试。

MoE（Mixture of Experts，专家混合）是一种稀疏神经网络架构：模型虽拥有万亿级总参数，但每次前向推理时只激活其中一小部分"专家"子网络（此处约490亿），其余参数处于休眠状态。这使得MoE模型在维持强大能力的同时，推理计算成本远低于同等稠密参数的模型，也更易于在有限硬件上部署。Yara规则是恶意软件检测领域的行业标准工具，是一种基于文本模式匹配的规则语言，安全研究员用它描述特定恶意软件家族的特征字符串、字节序列或行为模式，以便在大量文件中快速扫描识别威胁。Cobalt Strike则是一款原本为红队（offensive security）设计的渗透测试框架，因其功能强大而被真实攻击者广泛滥用，成为高级持续性威胁（APT）攻击中最常见的工具之一。

Google与Anthropic：图像、嵌入与Agent的持续进化

Google发布了Nanobanana 2.1，在视觉设计、基于蒙版的编辑（mask-based editing）、主体一致性与图像自然度上全面提升。蒙版编辑尤其实用——可只改动图像特定区域而不破坏整体。价格与速度优势明显：Nanobanana 2.1每张约4美分、渲染耗时11秒，而GPT image 2.5每张约7美分、耗时约50秒，速度接近5倍差距，代价是图像质量稍逊。

Google还推出了Embedding Gemma 2，其首个面向端侧的原生多模态开源嵌入模型，仅7.4亿参数却能在同一共享空间理解文本、代码、图像、音频与视频，甚至超越体量两倍于己的专用模型，采用Apache 2.0许可，权重已开放。在NVIDIA DGX Spark上的本地测试中，索引300张动物照片后检索，200次中命中165次，精确率达82.5%，可用于多模态搜索或与Gemma搭配实现完全私密的端侧RAG。

Anthropic方面，Claude现已能直接在Google Docs、Sheets与Slides内工作，侧边栏可理解文件内容并原地提出可审批的编辑建议，文件也能反向在Claude中打开。Claude Code迎来重要更新：可为单个子agent分别设定推理"努力程度"——简单任务用低档换速度，困难部分保留高档，从而显著节省token（需升级至2.1.292或更新版本）。此外Anthropic还开放了高度受限的Mythos 5.1申请，面向经验证的安全专业人员，分defense、red team与specialized三个访问层级，普通用户仍正常使用公开模型。

嵌入模型（Embedding Model）的核心作用是将不同类型的数据——文本、图像、音频等——映射到同一个高维向量空间，使语义相近的内容在空间中距离相近。"共享嵌入空间"意味着一张猫的图片与文字描述"一只橘色的猫"会被编码为彼此接近的向量，从而实现跨模态检索。RAG（Retrieval-Augmented Generation，检索增强生成）是一种将向量检索与语言模型结合的技术范式：先用嵌入模型将本地文档库索引为向量，用户提问时实时检索相关片段，再将其注入大模型的上下文窗口以生成回答。端侧RAG（on-device RAG）指整个流程完全在本地设备运行，无需将数据发送至云端，从而实现数据完全私密——这对医疗、法律等对隐私高度敏感的场景尤具价值。Embedding Gemma 2仅7.4亿参数即可胜任这一任务，大幅降低了私有化部署的硬件门槛。

AI编程的门槛正在崩塌

最后一个案例极具象征意义：一位开发者称他用Claude Opus 5.5重建了包括Photoshop在内的七款Adobe核心应用，做成基于Rust的完全免费开源替代品，源码公开、无需订阅。其中名为Photocraft的项目据称已达到Photoshop约90%的能力克隆，尽管开发者承认它仍处早期、尚不能完全替代专业日常使用。

关键不在于它是否已经完整，而在于趋势：过去需要庞大团队、数百万美元和数年开发的软件，如今个人开发者借助前沿AI模型就能逼近。随着编程模型持续进步，构建严肃软件的门槛正在以惊人速度坍塌。

从OpenAI神秘模型的数学突破，到Mistral的网络安全专精，再到个人重建Adobe全家桶，这一波更新共同指向同一个方向：AI不再只是回答问题的工具，而正在成为科研与软件生产的并行化引擎。