2026 年 10 月 6 日，OpenAI 没有发布一篇数学论文，而是把 722 篇手稿一次性放进公开仓库。它们由尚未公开的内部模型生成，被整理为 372 个结果家族，横跨数论、代数几何、理论计算机科学、概率、拓扑等 17 个领域。官方研究目录
最醒目的数字也是最容易误读的数字。722 不是 722 个已经得到同行确认的开放问题答案；同一家族可以包含主结果、配套论证、推论和替代证明。OpenAI 也明确说，这批材料处在不同验证阶段，尚未形式化的结果可能存在问题。首发 README
这次发布真正改变的，是数学成果的生产与核查开始出现数量级错位：模型可以连续生成候选证明，同行仍要逐项确认命题、证明、引用和新颖性。过去，论文稀缺而审稿排队；现在，至少在这批材料里，先稀缺的是愿意承担验证和解释工作的人。
722 篇手稿最终只对应 372 个结果家族
OpenAI 的首发目录把 722 篇手稿按 372 个家族组织。一个家族可能只有一篇论文，也可能把主定理、不同证明路线和后续推论放在一起。因而，手稿数衡量的是文档产量，家族数才更接近发布方认定的结果单元；两者都不是经过同行评审的新定理数量。手稿目录
模型的筛选过程同样决定这些数字该如何理解。OpenAI 称，它在既有数学评测趋于饱和后，开始把开放研究问题用于内部评估；模型大约尝试了 4000 个问题，输出经过聚合，并按发布方设定的“重要性”门槛整理成当前目录。绝大多数结果采用同一流程，平均每个结果使用约三小时 ChatGPT Pro thinking 等效算力。
这个口径能说明模型进行过大规模筛选，却还不能算一张完整成绩单。公开材料没有给出 4000 个问题的完整清单、难度分布、失败类型和逐项算力，也没有说明“重要性”门槛如何执行。372 与 4000 之间不能直接换算成成功率：一次尝试可能贡献多个手稿，多个输出也可能被合并为一个家族。
OpenAI 同时公开了 10 个结果的精简推理摘要。它们提供了观察模型路线的窗口，却只覆盖 372 个家族中的一小部分。发布方披露的是总体流程与少量样本，不是让外部研究者复现整套发现过程所需的完整输入和记录。发布说明
首发形式化目录覆盖 162 篇手稿，而不是全部 722 篇
Lean 的价值在于把定理和推导写成可以由内核检查的形式对象。它能发现形式推导中的缺口，给外部研究者一个比通读数百页自然语言更明确的检查入口。因此，OpenAI 同步公开 Lean 代码、依赖配置和 formalization.yaml，是这次批量发布中最重要的验证基础设施。
但“仓库里有 Lean”不能简化成“722 篇都已机器验证”。对首发提交中的目录逐项统计，formalization.yaml 列出 162 篇带主结果形式化的手稿，分布在 127 个结果家族：分别约占 722 篇手稿的 22.4% 和 372 个家族的 34.1%。同一文件对项目整体标注的范围是 Partial progress。首发形式化目录
这组数字只回答“哪些手稿被列入主结果形式化目录”，不回答三个更难的问题：代码能否由独立环境顺利编译；形式命题是否忠实对应自然语言声称；即便证明成立，结果是否新颖、重要并正确引用了前人工作。Lean 可以检查形式系统内的推导，不能替同行自动完成文献检索、选题价值判断和概念解释。
因此，最可靠的阅读顺序不是从最轰动的定理名开始，而是先看某个家族包含哪些手稿，再核对对应的形式化范围、依赖与版本，最后交给该领域专家检查命题和文献。批量发布把“证明是否成立”拆成了多个可审计环节，也暴露出其中任何一个环节都可能成为瓶颈。
OpenAI 交出了公开仓库，却没有交出完整实验记录
在发布前一周，独立的数学与 AI 顾问组根据 600 多份反馈提出了一套标准：如果实验室发布尚无人完整理解的数学结果，应公开模型名称、提示词、推理摘要、耗时与计算成本；批量发布还应说明问题如何选择、尝试过多少同等难度的问题，并尽可能提供形式化材料。顾问组同时建议把成果放进不受 AI 实验室控制、具有永久标识和修订记录的学术仓库，并由独立机构组织和资助后续理解工作。顾问组建议
OpenAI 对其中一部分要求作出了回应。仓库公开了手稿源文件、PDF、引用方式、Lean 工件和版本承诺；公告给出了约 4000 次问题尝试、平均等效算力和 10 份推理摘要。任何人都可以下载材料并追踪 Git 历史，这比只发布一组结论更可核查。
缺口同样具体：产生结果的模型仍未命名、完整提示词没有公开、逐项耗时和成本不可见，问题选择和失败输出也无法重建。仓库由 OpenAI 自己控制，不具备独立学术仓库的治理条件。换句话说，它提供了大量结果和一套检查入口，却没有把外部复现实验所需的过程全部交出来。
这并非抽象担忧。8 月，OpenAI 上一批 10 项数学结果发布后，独立报道记录了研究者对其中两项文献归属的异议：相关专家认为关键思路已经出现在既有论文中，发布材料没有充分反映这些来路；OpenAI 当时回应称会承担正确性责任并更新论文。Scientific American 报道 当规模从 10 项扩到 722 篇手稿，文献与优先权核查不再只是编辑细节，而是决定这套生产方式能否进入学术共同体的基础设施。
下一张成绩单应统计“被理解的结果”，而不只是产量
对开发科研 Agent 的团队，这批手稿给出了一个比排行榜更严格的评测框架。系统不仅要生成一个能通过形式检查的答案，还要保存问题来源、失败尝试、模型与提示版本、人工介入、引用依据和形式命题映射。否则，产量越高，外部研究者接手时面对的溯源债务越大。
对数学共同体，优先级也需要从“把 722 篇全部读完”改成可管理的分诊：先按潜在影响和形式化状态筛选家族，由相应领域专家核对主命题与文献；通过第一轮检查的结果再进入工作组、研讨会和正式同行评审。顾问组提出由既有非营利机构分配资金，正是为了避免验证议程完全由发布成果的公司决定。
这次发布可以证明，未公开的内部模型已经能够批量产出研究级数学文本，并为相当一部分结果生成形式化工件。它还不能证明 372 个家族都成立，更不能证明数学研究已经自动化。接下来真正有信息量的数字，是有多少结果经过独立编译与专家核对、有多少被修订或撤回、多少证明最终转化为人类能够讲解和继续使用的方法。
当生成证明变得便宜，可信度不会随之自动降价。谁来核查、如何署名、怎样修订，以及谁为理解这些结果付费，已经和模型能解出什么一样，成为科研系统必须回答的问题。
