OpenAI模型给几何猜想找出反例，8B加层壳冲到99%正确率

01OpenAI的模型给离散几何里一个中心猜想找出了反例

一个反例就够。OpenAI公布的最新结果显示，他们的一个模型在离散几何领域给一个被广泛接受的中心猜想找到了反例，猜想从此不再成立。

反例可以一次性验证。一个具体构造摆出来，按定义代进猜想走一遍，要么是反例要么不是。这条结果因此和最近几个月「AI参与科研」的喧嚣隔出了一条清晰的界。

同一周，两篇高引用论文都在讲AI自动做研究。一篇盘点了2026年4月前的赛道，给出一个直白数字：完全自动化的系统现在能用15美元生成一篇研究论文。另一篇提出AutoResearchClaw，想把单次执行就停的研究流程改造成跨轮迭代。两篇都承认同一个问题：前沿大模型在科研压力下仍会捏造结果、漏掉错误、判断不出新颖性。

也就是说，多数被冠以「AI研究」的产出，本质上是生成器在按论文的样子产文本。要真正进入科学讨论，还需要人去验、需要复现、需要时间。

离散几何的反例不需要这些。它是单点的、终结性的——构造给出来，原猜想就死。产量极低，但每件都是真东西，和15美元一篇的产线属于完全不同的范畴。

OpenAI没有公开模型用了什么方法、跑了多久、人类介入了多少。结果本身已经成立，下一步等被回答的就是这三个细节。

02Qwen3.7-Max自称「agent frontier」的同一周，另外两个团队在动训练环境和验证器

阿里这周发布Qwen3.7-Max，把它定位为「agent frontier」。同一周还有两篇agent方向的论文来自学术圈，分别动训练环境和验证器。

EnvFactory盯的是训练环境。给agent做强化学习训练，目前只有三种环境可选，每种都有硬伤：真实接口贵且脆，大模型模拟容易幻觉，单轮合成又太假。它的方案是合成多轮可执行环境，让agent在里面学到鲁棒行为。

但环境只是一半。agent跑完任务，怎么判断它真做到了？OpenComputer动的是这一层。它给真实应用挂载结构化的状态检查端点，再叠一个能自我演进的验证层，传统的截图比对和脚本断言不够用。

三件事独立发生，但拼起来正好是agent能力的三个层级：模型、训练环境、验证。Qwen3.7-Max推进第一层；学术圈的两个项目分别动训练环境和验证器，规模化压力同样落在那两层上。

038B模型加一层guardrails，agentic任务正确率从53%升到99%

Forge公布的数据：80亿参数模型加自己写的一组guardrails，agentic任务正确率从53%涨到99%。Hacker News上643赞。

这个对比顶在主流路线的对面。过去一年agent能力提升的押注集中在更大的模型、更密的训练、更复杂的verification。Forge的反命题：决定agent上限的不是模型本身，是外面那层rails。

同方向的信号还有两条。Hugging Face上《Code as Agent Harness》174赞，主张让代码直接做agent推理和验证的载体；《SkillsVote》117赞，讨论agent skill的生命周期治理。rails这一侧的工程层开始被独立研究。

但Forge只是单项目数据，任务分布没公开，「8B任意场景都够用」会是过头推断。53到99这个跨度，让agent选型多出一道独立评估：那层rails写得怎么样。