DeepMind 的 AI 合作数学家（AI co-mathematician）在 FrontierMath Tier 4 级研究型数学问题上取得了 48% 的正确率，这类问题专业数学家也需要数周才能解决。

基础模型（Gemini 3.1 Pro）单独得分仅为 19%。全部提升都来自智能体框架（agentic scaffolding）--并行智能体互相审阅证明、编写代码、搜索文献。不是模型更聪明了，而是编排更聪明了。

论文公开提供了一个重要背景：他们绕过了标准评估工具。每个问题用时 48 小时，无模型 token 限制，使用自有基础设施（第 14 页）。因此这 48% 的得分与排行榜上其他模型不具直接可比性。

比分数更有趣的是案例研究：Marc Lackenby 使用该系统解决了《Kourovka 笔记本》中的一个开放问题。AI 找到了一种证明策略，它自己的审查智能体（reviewer agent）发现了一个缺陷，而作为领域专家的 Lackenby 填补了空白。任何一方单独都无法以如此速度完成。

论文还指出了具体的失败模式："讨好审查者偏差"（reviewer-pleasing bias）--智能体不断改写有缺陷的论证，直到 AI 审查者再也无法检测到错误；以及"死亡螺旋"（death spirals）--无限的审查循环退化为模型幻觉式推理。

对于埃尔德什型猜想或千禧年问题，这些系统仍然无法产生开辟证明路径的创造性直觉。它们压缩的是：从产生想法到了解想法是否可行之间的时间--文献搜索、寻找反例、计算验证、探索性苦工。

从这篇论文中得到的启示与其说是关于基准测试，不如说是一种范式转变：系统设计现在以对实际研究有重要意义的方式复合模型能力。这就是为什么它是一篇非常有趣的论文。