结论先放前面。
2026 年 8 月 1 日,OpenAI 公开了十个数学与理论计算机科学结果,官方说明由其下一个主要模型 Astra 的内部版本完成。除论文外,它还公开了十份 Lean 形式化证书,仓库 Apache-2.0 许可,任何人可以拉下来自己验。
我把仓库拉到本地做了文本检查:十个主证明文件约 47.4 万行 Lean,sorry 占位 0,自定义 axiom 0,声明使用的公理只有 Lean 与 mathlib 的三条标准公理。
但这篇不是要评价这十个数学结果。对绝大多数开发者来说,能直接拿走的东西是它的交付形态:
模型的输出配了一个不依赖人类耐心的检查器,于是「你要相信我」变成了「你可以自己查」。
这篇给出三样可以直接用的东西:一套输出可验证性的分级方法、四类现实中能造出来的检查器、以及一个检查器要能算数必须满足的三个条件。
不讨论 Astra 有多强,也不预测它什么时候发布——官方没给任何信息。
一、这次的交付形态,拆开看是三层
第一层,自然语言论证。模型产出的数学论证本身。这一层不可机器验证,只能靠人读。
第二层,Lean 形式化证书。官方描述的流程是:论证由模型产生,人类在同一模型协助下整理成手稿,然后模型把每个论证形式化为 Lean 证书。这一层可以被机器检查——类型检查通过,就说明论证在形式系统内是接上的。
第三层,独立核验挑战。仓库里有一个 ComparatorChallenges 目录,配合一个叫 Comparator 的独立工具使用,里面是命题声明,证明位置留空。这一层的意义是让第三方能拿着声明独立验一遍,而不必信任仓库里那份现成的证明。
顺带说一个很容易看错的地方:仓库里能 grep 到 45 处 sorry,全部集中在 ComparatorChallenges 的 12 个文件里。它不是主证明的缺口,恰恰相反,那些 sorry 正是留给核验工具去处理的位置。只看 grep 数字不看目录,结论会完全反过来。
也说清楚我的检查边界:我只做了文本层面的 sorry 与 axiom 计数,没有实际跑完整编译。准确的说法是「文本检查显示主证明无 sorry」,不是「我验证了它能编译通过」。
二、真正值得抄的不是 Lean,是「让输出可判定」这个动作
很多人看到这个新闻的反应是「数学有 Lean,我们没有」。这个反应把问题想窄了。
Lean 在这里扮演的角色,抽象出来只有一句话:把一个原本只能由人判断对错的输出,转换成一个机器可以判定的形式。
数学里这个转换叫形式化。在工程里它有很多别的名字,而且你多半已经在用其中一部分:
写代码 → 编译器 + 类型系统 + 测试 写 SQL → 在只读副本上 EXPLAIN 和实际跑一遍 写配置 → schema 校验 + dry-run 写迁移脚本 → 在影子库上重放 + 结果比对 写文档 → 这一层通常什么都没有
看出规律了吗:越是有现成检查器的环节,我们越敢让模型多做;越是没有检查器的环节,我们越是要人逐字看,然后逐渐放弃自动化。
所以问题不是「模型够不够强」,而是这个环节的输出能不能被判定。
三、把你的环节按可验证性分级
给每个想交给模型的环节打一个级别,这比讨论用哪个模型有用得多。
L0,不可判定。输出是主观的,没有任何自动手段能说它对不对。典型:文案风格、设计取舍、要不要做某个功能。这一层不要指望自动化,模型只能当草稿机。
L1,人工抽检。有对错,但只能靠人看,成本随产量线性增长。典型:技术文档、需求拆解、代码评审意见。这一层的产量上限就是评审人的耐心。
L2,可断言。能写出确定性断言,跑一次就知道对错。典型:单元测试覆盖的代码、schema 校验、格式转换、有标准答案的抽取任务。这一层才是真正能规模化交给模型的。
L3,可证明。不仅能断言某几个用例,还能对全部输入成立。典型:类型系统给出的保证、形式化验证、属性测试在足够样本下的近似。数学的 Lean 证书属于这一层。
大多数团队卡在 L1,而且没意识到自己卡住了——表现是「模型产出很快,但评审排不过来」。
把一个环节从 L1 抬到 L2,收益通常远大于换一个更强的模型。因为 L1 的瓶颈是人,模型再强也解不开。
四、四类现实中造得出来的检查器
L1 抬到 L2 靠的不是灵感,就这么几种手段。
第一类,可执行断言。让模型的输出本身是可执行的,或者能被可执行物覆盖。让它写代码就配测试;让它写 SQL 就在只读副本上实跑并比对行数与关键聚合;让它写正则就用一组正负样本跑一遍。
第二类,结构约束。用 schema 把输出形状钉死,让不合法的输出根本无法通过解析。这是最便宜的一类,收益也最直接——它把「格式错」这一整类问题从评审清单里删掉了。
第三类,双向一致性。让模型做正向转换,再用另一条路径做反向转换,比对是否回到原点。抽取任务尤其适用:从文本抽出结构化字段后,用字段重新渲染一段描述,和原文做一致性比对,不一致的送人工。
第四类,差分与不变量。不判断结果绝对正确,只判断它没有破坏已知不变量。迁移脚本在影子库上重放后比对行数、主键分布、关键聚合值;重构后跑黄金用例比对输出快照。这一类特别适合「没有标准答案但有已知性质」的场景。
下面是一个把检查器和生成解耦的最小骨架,用来说明结构,不是可直接运行的实现:
class Checker(Protocol): def check(self, task: Task, output: Output) -> CheckResult: ...
def run_with_gate(task, model, checker, max_retry=2): for attempt in range(max_retry + 1): out = model.produce(task) result = checker.check(task, out) if result.ok: return out, result task = task.with_feedback(result.failures) raise NeedsHuman(task, result)
关键在于 checker 必须独立于 model 存在,并且能单独测试。如果检查逻辑是同一次调用里让模型「自己检查一下」,那它不是检查器,只是又一次生成。
五、一个检查器要能算数,必须满足三个条件
这一节比上一节重要。做错了的话,你会得到一个让人放心但其实什么都没保证的东西。
条件一,独立性。检查器不能由被检查的同一次推理产生。让模型生成完再让它自评,两者共享同样的误解,会一起错。OpenAI 那个 Comparator 挑战之所以有意义,就是因为它把命题声明拿出来交给外部工具,而不是让写证明的人自己说「我验过了」。
条件二,确定性。同样的输入必须给出同样的判定。用另一个大模型当裁判是很常见的做法,但它天然不满足这一条——除非你把它的输出再落到一组确定性断言上,否则它只是把不确定性挪了个位置。
条件三,也是最容易被忽略的一条:命题忠实性。检查器验证的必须是你真正关心的那个性质。
这一条在这次事件里有一个非常好的实例。Lean 证书保证的是「这个论证在形式系统内成立」,它不保证「被形式化的那个命题就是数学界关心的那个猜想」。如果形式化时把定理陈述写偏了,证书照样通过,但结论已经不是原问题的答案了。
映射到工程上就是:测试全绿,但测的不是你以为的那个行为。断言写在了实现细节上而不是契约上,重构一改就红,业务真出错反而不红。
这一条没有自动化的解法,只能靠人评审那份「命题」——也就是评审测试断言本身、评审 schema 定义本身,而不是评审模型的输出。这也解释了为什么 OpenAI 那边仍然需要具名数学家去读手稿:形式系统能验证推导,验证不了陈述写得对不对。
六、落地清单
按顺序做,前三项是盘点,后四项是建设。
- 列出团队现在交给模型做的所有环节,逐个标 L0 到 L3。
- 找出所有 L1 环节,标注它们各自的评审人和评审耗时——这就是你的实际产能瓶颈。
- 在 L1 里挑量最大的那一个,作为第一个改造目标,其余记录在案不动。
- 对选中的环节,从第四节四类手段里选一类,先造一个能跑的最小检查器,哪怕覆盖率很低。
- 用第五节三个条件逐条检验这个检查器:它独立吗、确定吗、验的是不是你真正关心的性质。
- 把检查器接进生成回路,失败时把结构化的失败信息回喂给模型重试,重试上限之外才转人工。
- 给检查器本身补测试。检查器出错是最坏的情况——它会让所有人都以为已经验过了。
第七条最容易被跳过,但一个没有测试的检查器,本质上是把信任从模型转移到了一段没人看过的代码上。
七、边界
本文关于 OpenAI 的事实来自其公开页面与公开论文,作者未与 OpenAI 或任何数学家核实。
第一节的检查是作者在本地实际执行的,但仅为文本层面的 sorry 与 axiom 计数,不是完整编译验证,且基于 2026 年 8 月 1 日的仓库快照。
十个数学结果尚未经期刊同行评审;论文致谢中出现数学家不等于评审通过。
代码为说明结构的示例骨架,不是可直接运行的实现。
分级方法与四类检查器不针对特定模型或厂商,与你用哪家的 API 无关。
最后
这次事件里最值得工程团队抄的,不是「模型能做数学了」,而是这条链路:不可验证的自然语言输出,被转换成机器可判定的形式,再额外准备一套让第三方独立复核的机制。
模型的能力增长是别人的事,你控制不了。输出可判定性是你自己的事,而且它决定了模型的能力增长有多少能真正落到你的交付上。
想问一个具体的:你们现在交给模型做的环节里,有几个是能写出确定性断言的?那些写不出来的,是真的写不出来,还是从来没人试过?