TL;DR

传统数学 AI 基准已死，HorizonMath 开启了“自动验证数学发现”的新纪元。该 Benchmark 包含了逾百个尚未解决的数学难题，模型不再是复述已知答案，而是被要求直接挑战学术前沿。令人震惊的是，GPT 5.4 Pro 已经在两个经典优化难题中给出了优于人类发表文献（State-of-the-art）的最佳结果，这标志着 AI 正在实现从“解题”到“发现”的跨越。

背景：为什么我们需要 HorizonMath？

在 AI 迈向 AGI 的路径中，数学推理被视为“北极星”。然而，行业面临两大尴尬：

1. 数据污染：MATH 和 GSM8K 的题目早已存在于训练语料中，高分往往源于记忆而非推理。
2. 评估黑洞：要把 AI 提升到研究生甚至教授水平，必须让它处理 Open Problems。但验证“新发现”通常需要数学家查阅几周，或者写成极难掌握的 Formal Proof（如 Lean 语言）。

HorizonMath 利用了 Generator-Verifier Gap：产生一个复杂的数学构造（如一个满足要求的特殊矩阵）极难，但写个程序检查它是否满足要求却极快。

核心机制：三类“可计算”的未解之谜

HorizonMath 并非直接处理玄奥的逻辑证明，而是将数学研究抽象为三种可工程化评估的形式：

1. 闭式解发现 (Closed-form Discovery)：给定一个只有数值近似值的数学常数（如 Airy 函数的五阶矩），让 AI 找出一个由 $\pi ,e,\Gamma$ 等组成的简洁解析式。
2. 基准优化 (A-better-than-B)：提供当前学术界最好的边界（Bound），让 AI 构造一个新的数学对象去打破这个记录。
3. 存在性构造 (Structural Existence)：寻找满足特定对称性或性质的对象（如特定阶数的 Hadamard 矩阵）。

图 1：HorizonMath 自动化评估流水线，包含合规性检查（严禁模型调用数值积分等“作弊”手段）与三大评估模式。

战报分析：GPT 5.4 Pro 的突破性表现

在针对 GPT 5.4 Pro, Gemini 3.1 Pro 和 Claude Opus 4.6 的同台竞技中，结果呈现出显著的层级化：

1. 瘦三角形 Kakeya 问题 (Thin-Triangle Kakeya)

这是一个关于如何以最小面积覆盖所有方向直线的经典几何问题。

• 人类/此前 AI 记录：0.11481 (DeepMind AlphaEvolve, 2025)
• GPT 5.4 Pro 表现：通过一种层级局部搜索算法，构造了 128 个新的截距，将面积降至 0.10915（提升约 4.9%）。
• 意义：这一结果已通过 Mathematica 的精确有理算术验证，属于真正的数学改进。

2. 对角 Ramsey 数 (Ramsey Numbers)

组合数学中的皇冠。GPT 5.4 Pro 挑战了 2024 年由 Gupta 等人提出的渐近上界常数优化。

• SOTA 记录：c ≈ 3.7992
• GPT 5.4 Pro 表现：通过引入五次校正多项式并微调参数，给出了一个 c ≈ 3.6961 的新构造。

图 2：主流模型在 HorizonMath 上的表现。可以看到，在真正的未解问题（Level 1-3）面前，老一代 SOTA 模型几乎全军覆没。

深度洞察：为什么这次不一样？

• 零污染保证：由于题目本身在论文发布前没有已知答案，模型不可能通过“背题”获得高分。
• 强制 Python 输出：HorizonMath 不接受自然语言胡诌，必须输出严谨的 Python 函数。这要求模型具备极强的代码实现+数学建模的双重能力。
• 合规性过滤：为了防止模型直接调用 mpmath.findroot 等数值工具暴力破解，系统内置了 LLM 审计器，确保结果必须通过数学直觉和公式推导获得。

局限与未来

作者坦言，数值匹配（即使精确到小数点后 20 位）在数学上并不等同于严密的逻辑证明。这些发现目前应被视为**“强有力的猜想（Conjectures）”**。

未来的方向在于将这种“快速发现能力”与 Lean 等形式化验证系统结合——由 AI 提出能跑通数值实验的“正确答案”，再由 AI 尝试自动化证明其正确性。

总结

HorizonMath 是一把尺子，它测量的不再是 AI 有多博学，而是 AI 有多聪明。当 GPT 5.4 Pro 开始在 Ramsey 数这种顶级数学难题上刷榜时，我们必须意识到：AI 已经从实验室的玩具，变成了真正能推动人类认知的生产力。

本博客由资深学术编辑重构。更多论文详情见 arXiv 原文。