41道题，16道题，2道题。
这不是选择题选项，而是一场为期14天、针对全球顶尖大语言模型的数学“绞杀战”的战果。49位人类数学家联手出题，从100道“研究级”难题开始，试图为AI设下最后一道理科壁垒。
结果，壁垒几乎被夷为平地。
一场精心设计的“学术突击测验”
故事发生地是德国莱比锡的马克斯·普朗克研究所。2026年春天，一群数学家关起门来，干了一件“得罪人”的事：他们编纂了100道题目，声称这些题目是真正的“研究级”，不是教科书习题，而是博士生在特定领域钻研数天甚至数周才可能解决的问题。
他们的目标很明确：测试AI。
测试分三轮。第一轮，五个当时的顶级大模型各自尝试一次，41道题无人能解。第二轮，选出三个模型，每个对每道题跑20次，结果剩下16道无人攻克。最后一轮，上“重量级”思考模型，最终，仅剩2道题，守住了人类智慧的最后一道防线。
（假设性描述图注：莱比锡基准测试结果，显示题目数量从100逐步减少到2）
研究团队负责人亲自下场补充：“这些问题远比任何考试题都难。想象一下，一个专门研究该领域的博士生，也需要数天到数周来理解并解决它。”
关键点：这不是奥赛题，是“学术自习题”
这里有个极其微妙的区别，也是这场测试最让人五味杂陈的地方。
评论区一针见血地指出：这些问题都有已知答案，且答案可从已有文献中推断出来。 这不是让AI去攻克一个无人知晓的数学猜想，而是考验它能否在浩如烟海的学术论文和训练数据中，精准地拼凑出答案。
打个比方，这更像是给一个超级博学但从未亲自动手验证的学者做开卷考试，考的都是“参考文献里写着”的答案。
所以，它测的是“检索与组合推理能力”，而非“原创突破能力”。 尽管如此，从41到2的跨越，依然展现了恐怖的模式识别与逻辑串联水平。
“正确率”背后的暗礁：你敢信它的答案吗？
当所有人都在为“只剩下2道题不会”而惊叹时，另一组数据更值得细品。
有细心的网友分析了具体模型的表现。以GPT 5.5和Opus 4.7为例，在20轮测试中：
- GPT 5.5回答了1389次，其中1043次正确。
- Opus 4.7的回答模式则有所不同。
这引出了更实际的问题：作为工具，我们不仅要看它能解多少，更要看它“误判”了多少。 一个答案错误率高的AI，在科研或工程中可能比完全不会的AI更危险。个人觉得，这才是未来AI数学工具落地时，工程师们最夜不能寐的指标。
“银河系漫游指南”照进现实
最有趣的评论来自一位网友：“这让我想起了《银河系漫游指南》，我甚至期待某些题的答案是42！”
这句调侃，精准地击中了某种时代情绪：当机器开始用超越常人的方式处理抽象的数学问题时，过程与结果都带上了超现实的荒诞感。我们是否正在见证一个“新柏林”（评论中的梗）式的智力中心转移？
悬念：数据泄露的“房间里的大象”
就在大家为AI的数学能力欢呼时，一条不起眼的评论链接指向了一篇2023年的论文，标题是“希望他们给数据集加密了”。
这才是整个故事里最值得警惕的“反转”。 如果用于测试的问题，或者相似的问题，早已存在于模型的训练数据中，那么所谓的“解决”就更像是一次“默写”而非“解题”。这场基准测试的公信力，就建立在数据完全“未知于模型”这个脆弱的假设上。
结语：机器的“懂”与人类的“忧”
两周时间，100道人类智慧的结晶题，被AI攻陷了98%。这无疑宣告，AI的数学推理已进入“准专家”领域。
但当我们剥离掉“解题正确率”这个光环，看到背后可能的数据污染、错误率风险，以及“开卷考试”的本质时，一个问题浮出水面：
当机器解题的速度和正确率开始碾压人类，我们焦虑的，究竟是能力的落后，还是对“理解”与“创造”定义权的丧失？
【锐评】：用已知答案的题库打败AI，就像用去年的高考试卷证明学神地位——结果震撼，但药不对症。真正的数学前沿，还在黑暗中等待那束全新的光。
参考链接：
https://arxiv.org/abs/2606.05818