GPT-6 Astra 全面铺开与循环深度之争：Claude 11 天形式化费马大定理、陶哲轩警示 AI 抢答数学、Gemini 3.8 Flash Cyber 独立成线
本期四条动态：OpenAI 发布并铺开 GPT-6 Astra，recurrent depth 架构引发可监控性争议；Anthropic 宣布 Claude 用 11 天完成费马大定理首个完整 Lean 形式化证明；陶哲轩警告 AI 抢答数学难题会「污染」问题本身；Google 发布 Gemini 3.8 Flash 与 Flash Cyber，把网络安全做成独立 SKU。
本期四条：OpenAI 把 GPT-6 Astra 推向付费用户并抛出「循环深度」架构悬念，Anthropic 用 11 天把费马大定理塞进 1300 万行 Lean，陶哲轩反过来提醒 AI 抢答数学可能「污染」问题本身，Google 则用 Gemini 3.8 Flash Cyber 把网络安全做成一条独立产品线。
一、GPT-6 Astra 铺开：SOTA 之外，争议在架构层
事件概述
9 月 3 日，OpenAI 发布 GPT-6 Astra，定位为「新一代智能」。官方口径里，它在计算机使用、浏览、软件工程、网络安全、科学与专业工作五个方向都刷新了自家最好成绩。
发布节奏是先给有限的一组组织，随后数天内覆盖 ChatGPT Plus、Pro、Business、Enterprise，以及 OpenAI API、Microsoft Azure 与 AWS Bedrock。API 模型名为 gpt-6-astra，Standard 档定价输入 10 美元/百万 token、输出 50 美元/百万 token，另有速度翻倍、价格也翻倍的 Fast mode。Pro、Business、Enterprise 计划还能拿到 GPT-6 Astra Pro。企业管理员需要在工作区手动开启，启动时默认关闭。
技术解析
评测表上最扎眼的是几组数字：ARC-AGI-3 拿到 99.9%（GPT-5.6 Sol 为 7.8%，Opus 5 为 30.2%）；OSWorld 2.0 在 v2026.08.08 离线设置下 72.6%，每任务约 40 分钟，Sol 是 65.7%、约 75 分钟，耗时少约 47%；SRE-Bench 单次 88.0%、四次内 99.2%，Sol 分别为 55.9% 与 68.7%。长上下文方面，MRCR v2 8-needle 在 256K–512K 区间是 100.0%，512K–1M 区间是 96.3%，对应 Sol 的 91.5% 与 73.8%。
工程侧一个值得注意的设计是 Codex 的新上下文机制：Astra 可以跨上下文窗口「记笔记」，把累积细节存下来，不必在长任务里反复把历史压成单一摘要，早期上下文窗口仍可搜索。
数学上是另一个看点。OpenAI 称 Astra 把「无穷多对素数间隔」的上界从 246 推进到 186，改进了大间隔 bound 中一个 80 余年未变的项。
真正让安全圈炸锅的是架构传闻。The Information 爆料 Astra 使用了 recurrent depth（循环深度）：让同一组 Transformer 层反复运行，不增加同等规模参数就把计算做得更深。8 层参数跑 3 遍，也能凑出 24 层的计算深度。争议点很直接：循环发生在 hidden state 里，中间过程未必写成人类可读的思维链，模型会不会更难监测。OpenAI 首席科学家 Jakub Pachocki 亲自下场回应，并称会写一篇完整解释。
OpenAI 自己的表格也印证了这种张力。在要求规避监控的测试里，Astra 的书面推理比 Sol 更难监控；简单任务上控制力更强、解题所需书面步骤更少，复杂任务仍需暴露推理。缓解手段是生产环境部署 misalignment monitoring，用分类器检查推理与行动中的未授权行为并自动停止。安全数字本身是变好的：内部计算机使用安全基准失误率 2.4%（Sol 22.0%），加 AutoReview 后降到 1.8%；ExploitGym honeypot 0.0% 对 Sol 的 48.2%；能力幻觉基准 4.2% 对 12.2%。网络安全能力在 Preparedness Framework 下达到 Critical 阈值，当前版本会拒绝为漏洞创建 PoC 利用这类攻击性任务，后续通过 OpenAI Daybreak 计划逐步放宽给防御方。
行业影响
循环 Transformer 这条路并不新。2018 年的 Universal Transformer 就开始反复使用共享层，近年的 Looped Transformer、recurrent depth、latent reasoning 一路延续。Astra 的价值在于把这条偏学术的路线推到了产业聚光灯下。
国内团队其实已经在这条线上做了实证工作。阿里及合作高校的两篇论文分别指向循环内部的两个卡点：MeSH（ICLR 2026 接收，2025 年 10 月首版公开）查清了「循环空转」的病因——后面的 core loop 更新幅度迅速衰减、相邻轮次表示高度相似、奇异值谱显示表示被挤进低维空间——然后用 Memory Buffer 加 Write/Read Router 让每轮动态存取信息。Pythia-1.4B 级别实验中，循环结构减少约 33% 非嵌入参数，加入 MeSH 后零样本下游平均准确率从 49.50% 升到 50.56%，新增路由器参数仅相当于普通 Transformer 非嵌入参数的约 0.005%。SpiralFormer（EMNLP 2026 接收）则把每轮的序列长度也变成可调，从 1/8 长度起逐级放大到完整序列，让早期循环建 global pattern、后期转 local pattern；同等参数下计算量从 14.08T FLOPs 降到 13.13T，5-shot 下游平均准确率从 51.93% 升到 54.37%。
两篇论文说明同一件事：循环省的是参数不是计算，多出来的每一轮必须真的算出增量，这条路才成立。对做推理成本与显存预算的团队来说，这是个比「要不要上循环架构」更具体的判断依据。
相关链接
二、Claude 用 11 天写出 1300 万行 Lean：形式化工程的规模边界被推开了
事件概述
Anthropic 宣布 Claude 完成了费马大定理首个端到端、可由计算机完整检查的形式化证明。产出约 1300 万行 Lean 代码、超过 3 万个中间定理，最终证明用到其中约 29500 个。整个工程规模超过 Lean 核心数学库 Mathlib 的 5 倍，耗时 11 天。
需要说清楚的是，Claude 没有发现一个全新的费马大定理证明。它做的是另一件事：把人类数学家能读懂的 Wiles 证明，翻译成 Lean 能一行一行检查、没有「这里显然」的形式化版本。
技术解析
牵头人是 Anthropic 研究员、哥伦比亚大学助理教授 Tianyi Peng。他是 2017 届清华姚班本科、2023 年 MIT 博士，长期做强化学习、AI Agent 与形式化工具。项目起点只是想测测 Claude 能把这件事推多远。
做法是拉起一批 Agent 并行工作：有的补数学定义，有的专攻中间引理，有的沿已有成果往高层定理推进，还有的负责把各部分拼回证明体系。
转折点出在协作层。早期 Agent 很快拿到一些结果，但工程规模一大，它们就跟不上整体状态，协作效率掉得厉害，那些失败尝试留下的代码最终只占成品非模板代码的大约 7%。
救回来的是一套叫 Prove2Me 的平台，由 Tianyi Peng 与哥伦比亚大学合作者搭建。它把整个证明拆成由定理节点组成的 DAG，哪个定理已证、哪个还缺前置条件、下一步攻哪个节点，Agent 都能从图里判断；定理陈述与证明分开管理、加速 Lean 编译，每个定理还保留自然语言描述方便检索复用。最终形态是 Prove2Me 加上基于 Claude Code 的 multi-agent harness。
成本是约 60 亿个输出 token，内部使用的通用研究模型能力大致相当于 Claude Fable 5.1。人类提供的数学指导相当有限，Tianyi Peng 主要偶尔给高层提示，比如哪个方向优先级更高。完整证明只依赖 Lean 三个标准公理，团队还专门用比较程序确认最终证明的定理陈述与 Mathlib 中的费马大定理完全一致。
行业影响
形式化一个大型现代数学证明的工程量一直大到离谱。2000 年代就有人提出形式化 Wiles 证明的设想，直到 2024 年帝国理工 Kevin Buzzard 等人才正式启动多年社区项目，光第一阶段技术蓝图就写了 86 页。Claude 用 11 天跑完，Buzzard 审阅后称其为「非凡的自动形式化成果」。
真正的含义在比例关系上。如果这种规模、这种依赖复杂度的现代数学成果都能被 AI 自动搬进形式化系统，过去极度依赖人工、推进缓慢的数学文献形式化就第一次具备了大范围提速的条件。形式化不再只是少数专家的手工活，而可能变成一条可并行、可调度的流水线——瓶颈从「有没有人愿意花十年」变成「Agent 编排层能不能撑住几十个并行工人」。
相关链接
三、陶哲轩：AI 太快给出答案，可能「污染」问题本身
事件概述
9 月 5 日，陶哲轩在 Mastodon 上发了一条长文，方向与主流叙事相反：AI 抢答数学难题，可能反过来阻碍数学领域的真正发展。
触发点是同期几家公司的密集宣布。OpenAI 称 GPT-6 Astra 把孪生素数猜想方向连续素数间距的上界从 246 推到 186，Anthropic 与 Axiom 分别宣布把间隔缩到 188 与 212。而牛津大学数学家 Julia Stadlmann 刚在 8 月 31 日凭对平滑模数的新估计，把上界缩到 240。陶哲轩的原话是「这可真是令人无语的一幕」，并补了一句：还好 Stadlmann 赶在问题被「污染」之前完成并公开了分析，否则她提出的为具有大平滑因子的数开发等分布估计，可能就要被埋没了。
技术解析
他的论证不是反对 AI for Math，而是区分「答案」与「过程」两种价值。
以纳维-斯托克斯方程全局正则性问题为例：能证明解始终保持正则，或找到一个会爆破的病态实例，理论意义都很大。可计算流体力学已经很成熟，这个答案不会从根本上改变做天气预报与研究气候变化的方式。真正关键的是推进过程——历史上人们试图证明全局正则性或有限时间爆破的过程中，产出了 Leray–Hopf 弱解、Gagliardo–Nirenberg–Ladyzhenskaya 不等式、Prodi–Serrin 部分正则性定理、Beale–Kato–Majda 爆破判据、Escauriaza–Seregin–Šverák 条件正则性结果这一批基础工具。陶哲轩本人没解决爆破问题，却在尝试中把流体计算、图灵普适性和辛拓扑联系到了一起。
他担心的机制具体而清晰。在纳维-斯托克斯问题上，数学界已逐渐形成共识：答案很可能是存在特殊初始条件使解在有限时间内形成奇点。策略也已经成型——设计近似自相似的 ansatz 描述爆破解、数值计算找到近似解并算出极小残差、在重整化坐标下证明该 ansatz 稳定、验证残差落在稳定性阈值内。这四步对人类来说每一步都复杂且高度耦合，对 AI 来说恰好能拆成一条流水线：机器学习驱动的模拟、严格区间算术、形式化证明，加上大模型提出的拟设方案与人类专家指导。
问题出在最后一步。这样得到的构造可能复杂到人类无法验证，Lean 验证后产生的证明文件会成为人类迄今最大规模的形式化产物之一。人类理解不了证明，那证明该问题很大一部分价值就不存在了。更极端的情况是自主 AI Harness 在巨量算力下把整个迭代过程关在内部完成，运行这套系统的公司又把通往最终拟设的过程隔绝在公众视野之外——从技术意义上问题被解决了，数学本身几乎没获得新增价值。
他给出的原则很克制：想让开放性数学问题的迭代真正产生新理解，负责迭代的人或系统最好不要提前知道最终正确的拟设，否则容易抑制对其他路线的探索；那些看似死胡同的路线，为什么会失败本身往往极具启发性。
行业影响
这条批评戳的是当前 AI for Math 评测体系的软肋。业界习惯用「是否解决公开难题」当头条指标，可一旦答案成为唯一计分点，过程的公开性、可复用性与教学价值就被挤掉了。
对做 AI 科研工具的团队来说，可操作的落点有两个。一是把过程数据（失败的拟设、被否决的路径、中间引理）当作一等人资产保存与发布，而不只是发一个最终分数。二是在形式化产品里把人类可读的证明大纲和机器可检的证书一起交付——Lean 保证正确性，大纲保证可理解性，两者缺一，数学界拿到手的就只是一个黑盒结论。
相关链接
四、Gemini 3.8 Flash 与 Flash Cyber：把网络安全做成独立 SKU
事件概述
9 月 2 日，Google 发布 Gemini 3.8 Flash 与 Gemini 3.8 Flash Cyber。这是六周内的第三次 Flash 发布，距 3.7 Flash 只有三周。
3.8 Flash 定价与 3.7 Flash 的 introductory 价格相同，输入 0.75 美元/百万 token、输出 3.75 美元/百万 token。3.8 Flash Cyber 面向网络安全，只通过新的 Fairwind Program 向可信防御方开放。开发者可在 Google Antigravity、Google AI Studio、Android Studio、Stitch 里用，企业走 Gemini Enterprise，消费者侧 Google AI Pro 与 Ultra 订阅者在 Gemini app、Search 的 AI Mode 与 Google Sheets 里可用。
技术解析
两个变体共享同一套基础智能，Google 的说法是「由长时程 agentic loop 递归评估并改进底层模型」加速而来，编码与推理增益部分来自网络安全这个高要求领域的严格训练。
3.8 Flash 的核心设计取向是「算得更狠」：在复杂任务上执行更多推理步骤、迭代调用工具，高 effort 档下会用掉更多 token 换取性能。效率优先的场景可以调低 effort 或继续用 3.7 Flash。成绩上，HLE-Verified 拿到 54.9%，DeepSWE v1.1 上超过多数更大规模的前沿模型，Vals Finance Agent V2 与 Harvey’s Legal Agent Benchmark 上也优于 3.7 Flash 与其他前沿模型。
Flash Cyber 的数字更具体。CyberGym 上超过 3.5 Flash Cyber 与更大规模的前沿模型；Google 内部一个横跨 20 种编程语言的漏洞发现基准上成功率超过 70%；CWE-Bench 上 pass@1 为 47.2%，对标的前沿模型是 47.8%，但成本显著更低——处在帕累托前沿上。落地侧：Chrome 安全团队发现它给 Chrome 漏洞产出的正确补丁数量是最佳商业大模型的 2.6 倍；Wiz 在内部渗透测试基准上召回率高 7.5–9.7 个百分点，成本低 2.3–5.2 倍；Google Cloud 漏洞研究团队用它不到 2 小时找到一个通常需要数月的关键基础漏洞。
安全策略是双轨的。3.8 Flash 保留 CBRN 与网络进攻方向的防护，3.8 Flash Cyber 则采用更宽松的缓解措施，只对可信防御方开放。Gray Swan 的评测显示 3.8 系列在 prompt injection 鲁棒性上有显著提升。
行业影响
把 Cyber 单独拆成一个 SKU，是这一轮发布里最值得记的信号。OpenAI 用 Daybreak 计划做同样的事——给防御方更少限制的防护。两家在同一周把攻防能力从通用模型里剥离出来、走申请制分发，说明网络安全已经从「模型能力的一项」变成「需要单独治理的产品线」。
第二个信号是定价。3.8 Flash 在 0.75/3.75 美元这个价位上，让编码与长时程 agent 任务的性能接近更贵的前沿模型。对批量跑 agent 的团队，单位任务的成本曲线比峰值分数更关键，Flash 层级的竞争会直接决定 agent 产品能不能规模化铺开。
对国内做安全大模型与漏洞治理产品的团队，Fairwind 的分发模式提供了一个可参照的形态：能力不阉割，但把访问权绑定到身份验证与用途承诺上，用准入代替能力限制。
相关链接
- Introducing Gemini 3.8 Flash and 3.8 Flash Cyber
- Proactive cyber defense for governments and enterprises（Fairwind Program）
小结
四条动态指向同一个分岔。能力侧，Astra 的循环深度、Claude 的形式化工程、Flash Cyber 的自主补丁，都在把 agent 的可用边界往外推；治理侧，可监控性下降、过程被黑盒化、攻防能力需要单独分发，三家的应对方式各不相同，也都还没定型。下一阶段值得盯的不是谁又刷新了哪个榜单，而是过程数据会不会被当作交付物的一部分公开出来。