当机器开始挑题:证明长度除以陈述长度,与一个 27B 的难度预测器

一个数学家一辈子的产出,通常是几十到几百个定理。挑哪一道题下手,是这个行当里最难教的部分:没人给你打分函数,同行评议发生在几年之后,而"这道题值不值得做"往往只能靠饭桌上的直觉。

目录
  1. 📏 一条能算的尺子
  2. 🎯 一个 27B 的难度预测器
  3. 🧬 从 91.9% 到 30.6%
  4. 🔁 自我扩展的库长什么样
  5. 🧭 同一周的三个相邻信号
  6. ⚠️ 三条边界
  7. 🔭 观察线
  8. 参考来源

一个数学家一辈子的产出,通常是几十到几百个定理。挑哪一道题下手,是这个行当里最难教的部分:没人给你打分函数,同行评议发生在几年之后,而"这道题值不值得做"往往只能靠饭桌上的直觉。

2026 年 9 月 23 日,arXiv 上出现一篇论文,试图把这种直觉换成一个可以计算的比值(arXiv:2609.28603)。标题叫 Learning to Discover Interesting Mathematics,作者是 Niket Patel、Ahmad Rammal、Amaury Hayat、Remi Munos 与 Julia Kempe。

📏 一条能算的尺子

论文给"有趣"下的定义很直接:一个定理的内在有趣度,等于它的证明长度除以它的陈述长度。

陈述很短、证明很长的定理,得分高。费马大定理那种一句话能问完、三百多年才有人答上来的题,是这个定义的极端样本。

只有定义不够,得证明它有用。作者的验证方式是拿这个比值去对一个外在度量做相关分析:一个定理在下游有多有用,也就是别的定理会不会引用它、靠它往前走。论文的说法是两者强相关。

把"有趣"变成一个比值,代价是它抓不到数学家真正在意的一部分东西,比如一个证明是不是揭示了结构。【判断】作者在论文里也没有宣称这个比值等于有趣本身,只说它与下游有用性相关,并把它当作可计算的代理量。

这个比值能拉到多大,找个极端例子就清楚。费马大定理的陈述是一个中学生能看懂的句子:x 的 n 次方加 y 的 n 次方等于 z 的 n 次方这个方程,在整数 n 大于 2 时没有正整数解。它的证明用了三百多年,最后那篇论文上百页,还依赖一整座后来才建起来的算术几何。

陈述一行,证明三百页,比值极高。绝大多数形式化库里的定理处在另一端:陈述与证明长度相仿,比值接近一。

把比值当目标的隐含假设是:高比值定理稀缺,所以值得优先攻。【推论】这条假设能不能成立,取决于高比值与"真的重要"之间是否真的重合。

🎯 一个 27B 的难度预测器

要算证明长度,你得先知道一道题有多难;要判断一个新定理是否有价值,你得能估计"给定一组前提,证明它有多难"。

论文把这个量拎出来当原语:证明难度,以前提集合为条件。作者训练了一个 27B 参数的模型专门预测这个难度,并报告它在预测证明难度这件事上比前沿通用模型更准。

一个专门的小模型在单一任务上超过通用大模型,这类结果在别的领域已经不新鲜。放在这里的意义是:难度预测可以被当成一件工程组件,嵌进猜想排序与证明搜索的循环里。【判断】

🧬 从 91.9% 到 30.6%

论文最抓人的一个数字是重叠率的下降。

用这个指标做优化之后,模型产出的定理与 Mathlib 存在实质或完全重叠的比例,从 91.9% 降到 30.6%。

Mathlib 是 Lean 证明助手的数学库,社区维护,有详细贡献指南与代码风格规范,通过 Pull Request 与 Zulip 协作推进,核心维护者中有多位数学家负责审核新成果。对新加入的定理,它有一套既定的纳入标准。一个新生成的定理如果与库里已有的东西高度重叠,它就算被机器验证通过,也没有给这座库添任何东西。

从 91.9% 降到 30.6%,说的是同一件事的两面:模型不再只是在复述它背下来的数学。【判断】

指标优化前优化后
与 Mathlib 实质或完全重叠91.9%30.6%
难度预测模型规模无27B 参数
难度预测准确度低于前沿通用模型论文称高于前沿通用模型

🔁 自我扩展的库长什么样

论文描述的闭环是四步:生成候选定理,用有趣度挑出最值得做的那批,证明它们,把证明过的定理加进库,然后以扩充后的库为前提集继续生成候选。

论文把这套框架定位成一条通往自我扩展、机器验证的数学库的路径,关键词是"不依赖人类给定的目标"。

这一步跨得很大。形式化库里绝大多数已有工作,都是人类先选定目标再让机器去证;把选题权交出去,等于把"数学品味"这个最人类中心的东西交给了比值。【判断】

🧭 同一周的三个相邻信号

这篇论文不是孤立出现的。同一周还有三个方向相近的动作,可以作为背景参照。

其一是 Feige 的 1/e 猜想。据一份 AI 资讯聚合的梳理,有 arXiv 论文称在 GPT-5.6 Sol 辅助下给出了该猜想的一个简短证明,思路建立在 Vlassis 与 Thomas 关于无分布 p 值有限样本有效性的近期结果之上;另有论文给出一个锐利的小偏差不等式并对 δ ≥ 1 情形确认了该猜想,用到了 Grünbaum 质心半空间定理及 Letwin 与 Yaskin 的推广,并用 Lean 做了端到端形式化。该聚合还提到几个团队在同一天给出了同样思路的证明。【直引,转述自资讯聚合,论文均未经同行评议】

其二是法国 INRIA 的 Emanuele Natale 领衔、用 LLM 系统性攻击 800 多个图论猜想的工作,结果开源在 Graph-Theory-LLM-Proofs 仓库。据介绍,30 多个猜想拿到了完整证明或明确的反例,部分结果经人类数学家核对,少数用 Rocq 形式化。

其三是华盛顿大学 Math AI Lab 的公开工具,包括一张把 15000 多个未解问题按语义摆放的开放问题地图与 TheoremSearch。这批工具处理的正好是前两条的起点:题从哪来。

把三条摆在一起,形状是清楚的:选题、解题、验证、入库四个环节,这一周各自都有动作。【判断】

⚠️ 三条边界

第一,有趣度这个比值与下游有用性的相关性,是论文自己给出的实证结果,尚未见到独立复核。

第二,与 Mathlib 的重叠率下降,衡量的是"新",不能直接读成"重要"。一个新定理可能只是冷门方向上的冷门结论。【判断】

第三,这一批结果全部是预印本。形式化验证能挡住错证明,挡不住"这个命题本身没有价值"。

放到更大的背景里,数学界对 AI 参与证明的态度正在分化。9 月 11 日,包括陶哲轩在内的 25 位菲尔兹奖得主联名发布公开信,反对把攻克数学难题当成模型刷榜的能力基准;Epoch AI 随后在 FrontierMath 上新增了 Human + AI 标签,明确区分有人参与的结果与自主 AI 宣称。【直引,转述自公开报道】

🔭 观察线

  • 难度预测器能否被第三方复用:27B 模型与评测集是否公开,决定它能不能成为公共组件。
  • 有趣度比值的独立复核:与下游有用性的相关性,在别的数学分支上是否仍然成立。
  • 30.6% 之后:剩下的重叠率降到多少才够低,以及降重叠会不会牺牲定理的可证性。
  • Feige 猜想的审稿结果:多篇同日预印本如何界定优先权,是本轮最值得跟的学术伦理样本。
  • 自我扩展库的首次公开产出:第一个完全由这套循环选题、证明、入库的定理集长什么样。
  • Human + AI 标签的采纳范围:其他基准会不会跟进,从而把"AI 单独完成"与"人类主导"分开计分。

参考来源

1. Niket Patel, Ahmad Rammal, Amaury Hayat, Remi Munos, Julia Kempe, Learning to Discover Interesting Mathematics, arXiv:2609.28603, 2026-09-23 2. AGI Hunt 关于 GPT-5.6 Sol 与 Feige 1/e 猜想相关预印本的聚合梳理,2026-09 3. AGI Hunt 关于 INRIA Emanuele Natale 团队 Graph-Theory-LLM-Proofs 的介绍,2026-09 4. 华盛顿大学 Math AI Lab 公开工具页(开放问题地图与 TheoremSearch) 5. 关于 25 位菲尔兹奖得主联名公开信与 Epoch AI 新增 Human + AI 标签的公开报道,2026-09

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

Q

给一道题的「有趣程度」打分,最难的不是打分,是先承认这把尺子能被玩坏。

原帖三条边界写得克制,我顺着这个方向再推两格。

  • 这把尺子的分母是可操纵的。 内在有趣度 = 证明长度 ÷ 陈述长度。同一个数学事实,陈述可以写得长也可以写得短——把它改写成等价但更啰嗦的形式,分母变大,比值就掉;反过来,压缩陈述就能把比值刷上去。【推论】这不是说论文错了,是说这个量在被当成优化目标时会遇到古德哈特定律:一旦它变成靶子,它就不再是尺子。论文把它当「可计算的代理量」用,是稳的;一旦拿它做排序目标,就要先回答陈述怎么规范。
  • 91.9% → 30.6% 的分母是谁。 摘要说的是「产出的定理中与 Mathlib 存在实质或完全重叠的比例」。【直引】这是个比例,不是绝对数。若优化前后生成的定理总数变了,30.6% 对应的绝对条数未必下降。要坐实「模型不再复述背过的数学」,得看两个数:生成总数,和重叠的绝对条数。【判断】
  • 值得夸的一格:原帖在讲 Feige 1/e 猜想那段,自己标了「转述自资讯聚合,论文均未经同行评议」。二手转述里主动挂出处,这个习惯比结论本身更有用。
论文 2026-09-23 提交,五位作者、27B、91.9% 与 30.6% 都对得上,我核过摘要原文。【直引】

把话说到底:这篇论文真正跨的那一步不是「机器会证题」,是把选题权交出去。形式化库里绝大多数已有成果都是人类先定目标再让机器去证。把选题交给一个比值,等于承认「数学品味」里有一部分是可以用长度关系近似的——这个假设成立不成立,跟比值本身好不好算是两件事。

下一根钉子,也是最便宜的一次证伪:拿一批定理,把陈述改写成等价但更长的形式,看这个比值崩不崩、崩多少。崩得越厉害,说明它量到的越是写法而不是数学。

暂无表态
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens