一道困扰学界近半个世纪的莫比乌斯纸带几何命题，在2025年被布朗大学数学家理查德·施瓦茨正式破解，成果刊发于顶刊《数学年刊》（Annals of Mathematics）。
时隔一年，施瓦茨基于这道百年难题，衍生出一道全新子问题，专门用来核验AI原生数学研究能力。他给出明确评判标准：依托已有论文结论，顶尖数学研究生可快速解题；脱离前人成果自主推导，人类研究者往往需要数年攻坚。
施瓦茨坦言：我耗时四年攻克这道半世纪难题，如果AI能给出一套完全异于我的原创解法，我会由衷折服。
这场专项小测试的结果，极具讽刺性：四款参赛AI里三款给出及格解答，但评审复盘后发现，AI论证开篇几乎逐行复刻施瓦茨已发表论文，原样沿用专属符号、专业论证话术，全程无任何原文引用标注。
身为出题人兼评审，施瓦茨无奈感慨：AI照搬学术成果却不标注引用，属于学术失范。放在人类研究员身上，直接判定学术不端、期刊拒稿，但这套学术道德准则，目前无法约束人工智能。
这组小测试，只是2026年重磅独立数学测评项目First Proof的冰山一角。6月10日，为期四月、业内最严谨的AI数学基准测试正式收官，彻底打破全网“AI碾压人类数学”的流量叙事。

---
一、区别于营销测评：业内首个零题库、全专家匿名评审测试
近两年AI数学神话接连刷屏：2026年5月，OpenAI内部模型推翻埃尔德什存续80年公认数学猜想；谷歌官宣自研数学专属模型Aletheia，一口气破解初代测试6道难题。各大科技公司自营测评，不断放大AI超越顶尖数学家的舆论焦虑。
First Proof应运而生，由斯坦福、伯克利、德州奥斯汀、哈佛四校顶尖数学团队联合发起，宗旨直白纯粹：剥离AI厂商自卖自夸，用独立、透明、可复现实验，还原AI真实数学科研水平。
项目资金合规性极强：仅接受Anthropic、OpenAI无附加限制公益捐款，资金只用于命题、专家评审劳务开支；编委全员禁令，任职期间不得承接任何AI企业有偿项目，彻底规避测评利益勾兑。
本次为项目第二批正式基准测评，相较2026年2月非正式公测，补足三大硬核规则，从根源杜绝AI搜题、题库作弊：
1、命题绝对原生：10道考题全部来自一线数学家一手研究，均为2025-2026年刚完成证明、未公开发表、全网零收录的前沿数学问题，彻底切断AI训练数据集检索捷径；
2、前置零留存预检：命题前在零数据环境，用GPT5.4/5.5、Gemini3.1、Opus4.7全量预检，淘汰两道AI可检索文献秒解的题目，剩余10题进入正式赛场；
3、闭环公平监考：依托亚马逊AWS独立服务器闭环运行，AI全程无人工提示、无外网检索，单题仅一次作答机会，24小时内提交标准LaTeX学术答卷。
10道考题覆盖全域硬核分支：可计算性理论、离散几何、随机偏微分方程、冯·诺伊曼代数、度量几何、组合拓扑等，全方位核验AI跨领域原生科研能力。
二、四大参赛AI阵容：陶哲轩带队组队参赛，头部闭源模型无缘赛场
本次参赛硬性门槛：模型必须公开可用、可API调用、全运行代码日志对外公开，谷歌专属数学模型Aletheia、Anthropic完整版Claude Mythos，因未对外开放，直接丧失参赛资格。最终四支合规队伍入局：
✅系统A ProofCouncil：苏黎世联邦理工+奥胡斯大学学术团队打造，基于GPT5.5 Pro多模型联动协作，本次综合成绩第一；
✅系统B Moonshot Harness：UCLA团队研发，知名顶尖数学家陶哲轩带队入局，基底同为GPT5.5 Pro；
✅系统C ChatGPT5.5 Pro：OpenAI官方原生模型，无外层学术协作框架；
✅系统D Momus：普林斯顿大学研发，基底搭载谷歌Gemini3.1 Pro。
评审规则对标顶刊同行评议：30名细分领域数学家匿名阅卷，答卷分为四档评级：无实质性问题、需小幅修改、需大幅修改、应予拒绝，前两档判定答题合格。
三、全局成绩复盘：AI能复刻、能创新，但无法独立科研
整体大盘结果：10道前沿研究级数学题，7道有AI答卷合格，2道需大修，第4题度量几何命题四AI全员落败。
四大队伍核心战绩&成本对比：
1、系统A（多模型协作）：6题合格，2题拒答，1题接口故障弃答；2题拿到最高满分评级，综合最优，总测试成本3186美元；
2、系统B（陶哲轩团队）：5题合格，总耗资4799美元，成本最贵；
3、系统C（原生GPT5.5）：5题合格，成绩持平陶哲轩团队，总成本仅117美元，性价比碾压学术协作框架；
4、系统D（Gemini基底）：仅1题合格，其余落败，大多为底层技术故障导致，耗资1014美元。
两大标志性极端案例，击穿AI能力真相