正在加载，请稍候
一条自动化流水线连续运行 11 天，交出的不是演示视频，而是一份能被独立内核复核的 Lean 形式化证明：60475 个模块全部通过检查。本文借此拆解长链条任务的可复现交付要件，以及思维链监控衰减后验收该放在哪一层。
一条自动化流水线连续运行 11 天，交出的不是演示视频，而是一份能被独立内核复核的 Lean 形式化证明：60475 个模块全部通过检查，代码以 Apache 2.0 开源。这件事把「长链条任务交给机器」从可能性变成了工程问题——难点不在模型有多强，而在结果能不能被复现、被审计、被交接。
事实：该实验室宣布，其模型在基本自主运行 11 天后，产出费马大定理首个端到端、经计算机检查的 Lean 形式化证明，沿 Frey、Serre、Ribet、Wiles 与 Taylor-Wiles 的论证路线推进。
可核验的细节：事件首发于 9 月 4 日，完整仓库 9 月 5 日发布；基于 Lean 4.33.1 与 Mathlib，60475 个模块全部通过内核检查，并用独立内核 nanoda 复核。
给交付团队的启示：能被第三方复核，是这类成果区别于「看起来对」的关键。企业把长流程任务交给自动化系统时，同样要把可复现路径当成交付物的一部分：一是固定版本指纹，模型、依赖与工具链各留一份；二是把生成器与校验器分开部署，不让同一套逻辑既写又判；三是保留能重跑的检查脚本。三样凑齐，机器产出才敢进主干；缺一样，跑得越快风险越大。
一篇发布于 9 月 6 日的长文回顾了 2023 年验证推理模型可扩展训练的起点，区分目标对齐与价值对齐，并给出一个不算乐观的判断：链式思维的监控效果正随能力提升而减弱。作者呼吁自愿放缓扩展、建立第三方安全门槛并加强国际协调。
工程上的直接后果是：靠「读它的思考过程」兜底越来越不划算。可落地的做法是把治理前移——任务定义层写清边界，工具层收紧权限，输出层做独立校验，而不是依赖自述。越早把校验做成独立服务，越不容易被下一轮能力迭代打穿。
原文的中文编译见 这篇长文整理。
据 Fortune 对网页快照的逐项比对，某厂商自 9 月 3 日发布公告后多次修改数据：新模型的幻觉率曾在 4.2% 与 2% 之间反复，前代版本也从 12.2% 降到 9.4% 后又改回。官方回应称，检查点、测试框架与运行环境的差异会让结果波动几个百分点，改动是为了给出「对可用性能的最佳估计」。
对采购方来说结论很直接：厂商自报的分数只能当方向参考。更稳的做法是把自家业务里 20 到 50 个典型任务固化成固定用例集，让候选模型在同一份数据上跑分；合同里把验收口径写成「以双方共建用例集为准」，避免上线后拿第三方榜单争论质量。
转引报道见 IT之家的编译。
同一周还有几条消息值得放在一起看。算力侧，一家头部实验室被曝在 11 个月内签下总额最高 5170 亿美元的合同，自 2025 年 10 月以来新增锁定至少 14.8GW 计算能力，并计划自建数据中心；其年化营收虽已超 650 亿美元，仍不足以覆盖这些远期承诺。执行侧，官方披露研究组织每投入 1 个人工工作日，就要消耗 3.1 个智能体工作日的运行时；同期大量用户让它自主操控 Blender、Houdini、Unity 等专业软件，多数工作在夜间无人值守时完成。
两条线合起来指向一件事：token 供给与单价会继续改善，但把业务流程拆成机器能稳定执行的工作流，这件事只能自己干。给长流程任务设定可验证的中间产物——基准数据、测试用例、运行日志——比事后返工便宜得多。
来源见 算力合同报道、内部运行数据整理、专业软件自主操作观察。
| 排名 | 模型（Max 档） | WebDev 分数 | 与前一名差距 |
|---|---|---|---|
| 1 | GPT-6 Astra | 1797 | — |
| 2 | Claude Fable 5.1 | 1762 | -35 |
| 3 | Claude Opus 5 | 1688 | -109 |
榜首与第二名的差距已经缩到 35 分以内。选型的决定因素正从「谁更能写代码」转向「谁的工具链与验收体系更顺」。
如果团队正在为自动化交付定验收标准，或想给现有系统做一次可复现性体检，欢迎联系我们：30 分钟免费咨询，我们按你的技术栈与交付节奏给出一份可落地的路径，而不是一份 PPT。