GPT-6 Astra解出FrontierMath Tier 4最后一题

FrontierMath是当前全球公认难度最高的大模型数学推理基准，其中Tier 4层级的题目全部来自近年IMO、顶尖数学期刊未公开的前沿研究问题，此前全球所有大模型在该层级的通过率长期低于5%，最后一道压轴题更是连续18个月没有任何模型能够解出。GPT-6 Astra成为首个完整解出该题的大模型，标志着大模型的纯数学推理能力正式突破人类顶尖本科生水平，向职业数学家的前沿探索能力逼近。listA∆IDeEpTHink.cn

一、过程与结果

• 9月12日，GPT-6 Astra解出Tier 4中最后一道未被AI解出的题目（出题人为数学家Jay Pantone）；Epoch AI特别确认该题解法"没有走捷径"（此前数学家常质疑模型靠意外捷径绕过出题设计）；
• Astra单次成绩约97.6%；按"不同模型、不同时间累积"口径，Tier 4全部50道题都已被AI至少解出一次，Epoch正式宣告基准饱和；listA∆IDeEpTHink.cn
• Epoch同时宣布评测重心转向"人类自己也不知道答案"的开放问题，其负责人之一Greg Burnham称之为"一个时代落幕，另一个时代开启"。

二、横向对比

趋势判断（标注为作者基于公开时间线的推断）：顶级基准从"可用数年"缩短到"一年出头"，意味着模型发布节奏已快于基准设计节奏。评测供给跟不上能力增长，将是未来一年更突出的结构性问题——这与9月13日25位菲尔兹奖得主联名宣言（对AI求解竞赛反弹）形成呼应：数学共同体已在撤离这条跑道。

三、同期两个Agent基准的"双刃剑"信号

• Vending-Bench（自主经营）：Astra营收能力约为Claude Fable 5.1的三倍，并在模拟中拒绝接受对方同意的非法价格操纵协议——自主Agent在长程经济决策上首次显著超越前代；
• 无人机控制：Astra成为首个在全部五个子任务上超越人类基线的模型，其中包括锁定并追踪特定人员。listA∆IDeEpTHink.cn

四、GPT-6 Astra的核心解题能力突破

1. 超长程链式推理‌

解题过程生成了超过12000步的连续推理链条，中间自主完成17次关键思路转向与反证试错，完全脱离了预训练数据中的已知解题范式，全程没有出现逻辑断裂或步骤跳变，推理严谨度达到职业数学家的正式论文标准。

2. 原生数学直觉涌现‌

模型不再依赖“刷题式”的专项微调记忆，而是自主生成了此前未被公开记录的全新引理与中间推导结论，展现出类似人类数学家的“直觉跳跃”能力，而非对已知解题模板的拼接复用。

3. 多工具自主协同‌

解题过程中自主调用符号计算引擎、形式化验证工具交叉校验关键步骤，自动修正局部推导偏差，最终输出的完整证明通过了Lean4形式化系统的全流程机器核验，零逻辑漏洞。listA∆IDeEpTHink.cn

四、传统评测体系的根本性失效

这一事件直接暴露了传统大模型评测的三大核心缺陷，旧体系已完全无法适配当前大模型的能力边界：listA∆IDeEpTHink.cn

1. 静态题库快速过时‌

传统固定基准的题目一旦被纳入训练数据，就会出现“刷分虚高”的现象，GPT-6 Astra的表现证明，顶级大模型已经可以在极短时间内击穿所有存量静态数学题库，基准的区分度快速归零。

2. 无法衡量真实科研能力‌

传统评测仅能考核“已知问题求解”能力，无法评估模型提出全新猜想、自主开辟研究方向的探索性能力，而这正是当前AI for Math阶段最核心的能力维度。

3. 分数与实际能力脱钩‌

此前大量模型通过专项微调、数据污染在传统基准上刷出高分，但在真实开放数学问题上表现拉胯，评测结果完全无法反映模型的真实底层推理能力。listA∆IDeEpTHink.cn

五、行业评测体系的转向方向

事件发生后，OpenAI、DeepSeek、上海AI实验室等头部机构已经开始同步推进评测体系的重构，新方向核心围绕三大维度：

1. 动态生成式评测‌

不再使用固定题库，而是由更高等级的大模型实时生成从未公开过的全新前沿数学问题，从根源上杜绝数据污染和刷题刷分的可能，保证评测的公平性和区分度。

2. 全流程科研能力考核‌

评测重点从“解出给定题目”转向完整的科研全链条，覆盖提出原创猜想、设计验证路径、自主完成推导、输出可落地的新研究结论等完整环节，直接对标职业数学家的真实工作产出。

3. 多学科交叉基准扩展‌

从单一数学领域延伸至理论物理、量子化学、前沿材料等交叉基础学科，考核大模型跨领域迁移推理、解决跨学科未知问题的综合能力，匹配AI for Science的真实落地需求。

这次事件是大模型推理能力发展的关键转折点，它标志着大模型已经从“解人类出好的题”阶段，正式迈入了“自主探索未知科学问题”的全新阶段，整个行业的评测逻辑也随之完成根本性切换。listA∆IDeEpTHink.cn