Shouqiao Wang 使用 OpenAI GPT-5.6 Sol 解開數學懸賞難題

Shouqiao Wang 使用 OpenAI GPT-5.6 Sol 解開數學懸賞難題。 這項研究成果由數學背景出身的 Shouqiao Wang 發表，他在 5 天內嘗試了解決大約 13 道 Erdős 難題，最終成功突破 6 道，勝率約為 46%。他公開了包含 proof PDF、LaTeX 原始程式碼與 prompts 的 GitHub 專案庫（https://github.com/ShouqiaoW/erdos）。此次解開的 6 道具體難題編號分別為： Erdős problem 390 Erdős problem 486 Erdős problem 536 Erdős problem 788 Erdős problem 1002 Erdős problem 1038 問題選擇策略 Shouqiao Wang 指出，成功的首要關鍵在於精準的「問題選擇」： 專注於數學家們本來就高度關注、且像 Terence Tao 等學者積極討論的題目。 利用 AI 預先過濾掉極度困難或緊密綁定重大未解猜想的題目，避免盲目耗費運算資源。 提示詞與多 Agent 架構 第二個核心在於結構化的 prompt 設計與多 Agent 協同： 參考了 OpenAI 用來解決 Cycle Double Cover 猜想的 CDC 提示詞（cdcprompt.pdf）。 提示詞精準定義了何謂「完整解法」、明確列出不符合條件的較弱結果、點出專屬陷阱與邊界情況。 導入具有對抗性機制的獨立 Agent 架構，讓多個 Agent 相互挑戰每一個候選論證，並以多路徑搜尋同時維持多條互不相容的推導路線。 模型選型與長期執行工作流 在硬體與模型配置上，本次突破依賴了特定的技術組合： 採用 GPT-5.6 Sol 搭配 Ultra 推理強度（reasoning effort），以維持長距離且嚴謹的數學搜尋。 將設定好的 prompt 貼入 Codex 中作為目標並讓其自主運行，藉此保留完整的研究脈絡，並直接調用本機檔案而無需額外互動。 執行過程需要耐心等待，單一問題的求解時間從大約 6 小時到長達 32 小時不等。 研究迴圈與社群背景 整個自動化推導過程形成了一個緊密的演化迴圈： 實際運作迴圈包含：attempt → failure → diagnosis → new approach → proof draft → adversarial audit → repair。 模型會主動放棄損壞的思路、攻擊自身的論證，並在找不到實質漏洞前持續強化證明。 該專案獲得了 Paradigm 與 danrobinson 的贊助，同時 Shouqiao Wang 也特別感謝 DavideCrapis、Samuele Marro、Marcello、Shurui Liu、HantaoYu 與 Ciamac Moallemi 等人在早期構想與討論上的協助。 原文：https://easyvibecoding.app/curated/2701-shouqiao-wang-solves-math-bounty-gpt-5-6-sol