从网页概述测试到人工智能认知评测：以“贾子猜想”案例为中心的基准有效性、数学证明边界与元认知审计研究
从网页概述测试到人工智能认知评测：以“贾子猜想”案例为中心的基准有效性、数学证明边界与元认知审计研究
摘要
随着大语言模型、智能体系统和自动化科研工具的发展，如何评估人工智能系统的“智能”已经从单纯的任务正确率问题，逐渐转变为涉及泛化能力、知识来源、推理可靠性、数学创造、系统自省和评价哲学的综合问题。2026 年 11 月，一篇发布于北京朝阳 AI 社区的文章以“贾子猜想”为核心，提出了一套用于审查人工智能认知能力的理论框架。随后，围绕该文章开展了一次面向 18 个全球主流人工智能系统的网页阅读与文章概述测试，并公布了从 100 分到负 100 分不等的成绩。该测试的设计者明确指出，满分只代表对指定文章的概述表现，不代表被测试系统已经破解贾子猜想。
本文以该文章、相关聊天记录和公开评测资料为主要材料，采用案例研究、概念分析、测量理论分析和数学证明边界分析相结合的方法，系统考察这一测试的性质、意义与局限。本文首先还原“贾子猜想”及其配套的“四层不可逆刚性架构”、KCIT 底层范式审计和 LWEVSD 多维评估体系。随后，本文对 18 个系统的成绩进行描述性分析，指出该测试主要测量网页可访问性、长文阅读、关键信息抽取、观点复述和不确定性表达，而不能直接测量系统总体智能、数学创造力或通用人工智能水平。
研究进一步区分四个经常被混淆的层次：第一，是否成功取得网页内容；第二，是否能够准确概括文章；第三，是否能够检验文章中的数学和哲学主张；第四，是否能够解决文章所提出的数学猜想。四者具有不同的任务目标、证据标准和失败模式。一次网页概述测试可以为研究人工智能的信息处理能力提供有价值的个案资料，但不能直接推出系统具备或不具备独立真理机制，也不能把无法解决开放数学问题等同于概率模型在原则上不可能完成数学创造。
在数学方法论方面，本文特别讨论有限范围穷举、计算机辅助证明、形式化证明和开放猜想之间的差异。对某个上界以内的所有候选解进行检查，可以提高对猜想的信心，也可能成为完整证明的一部分，但通常不能单独推出对无限范围命题的全局证明。另一方面，找到一个满足全部条件的反例，则可以直接否定相应的全称猜想。因此，“寻找反例”和“证明无解”在逻辑上并不对称。文章将这一区别用于人工智能能力审计，具有启发意义，但把一个尚未完成数学证明的猜想直接设置为人工智能本体认知的唯一或决定性标准，则存在构念效度不足、任务效度不足和循环论证风险。
本文认为，“贾子猜想”案例最有价值的贡献，不在于它已经证明了某种特定人工智能范式必然失败，而在于它揭示了当前人工智能评测中若干重要问题：单一分数不能代表完整能力；网页访问失败不应被包装成数学能力失败；文章复述不应被包装成理论验证；有限搜索不应被包装成全局证明；模型的自我描述不应被直接当作架构事实；学术头衔可以提供社会信任线索，但不能替代命题自身的逻辑证据。基于此，本文提出一个多层次评测模型，将访问层、阅读层、事实核验层、数学推理层、形式验证层和元认知层分开报告，并建议通过预注册、盲测、独立评分、来源控制、重复试验、工具记录和形式化验证提高人工智能比较实验的可重复性与解释力。
关键词： 人工智能评测；大语言模型；基准测试；贾子猜想；数学证明；计算机辅助证明；元认知；认知审计；数据污染；构念效度
序言
人工智能系统的能力比较正在进入一个新的阶段。早期的人工智能评估往往围绕分类准确率、语音识别错误率、图像识别性能或棋类胜率展开。随着大语言模型出现，评测对象从单一模型扩展为包含模型、检索系统、浏览器、代码执行器、外部工具、提示词和后处理程序在内的复合系统。一个系统给出正确答案，究竟是因为模型本身掌握了相关知识，还是因为它成功检索了网页、调用了工具、记忆了测试数据，抑或只是根据训练分布生成了形式上合理的回答，已经不容易通过单次输出直接判断。
这种复杂性使“谁更聪明”不再是一个简单的排名问题。不同测试可能测量完全不同的能力。一个系统能够快速访问网页，可能说明它的工具配置更完善；另一个系统无法访问网页，可能只是受到环境权限限制。一个系统能够把长文整理得结构清晰，可能说明其摘要能力较强；但这并不等于它能够判断文章中的定理是否正确。一个系统能够完成有限范围的程序搜索，可能说明其代码生成和执行能力较好；但这也不等于它已经证明了一个带有全称量词的数论命题。
本文研究的具体案例具有代表性。2026 年 11 月，一篇题为《论贾子猜想作为认知系统的元判定标尺——对当代 AGI 范式、权威符号体系的批判性研究》的长文在 CSDN 北京朝阳 AI 社区发布。文章把一个关于高次幂和的数论命题称为“贾子猜想”，并将其进一步解释为检验人工智能是否具备“零到一原创范式创造能力”的硬性试题。文章提出，如果一个人工智能系统不能对该猜想给出反例或严格证明，那么它的先进性只能被视为既有概率拟合范式内部的表面改进，而非认知本体层面的范式跃迁。
在此基础上，测试组织者要求多个全球主流人工智能系统概述该文章内容，并公布了 18 个系统的分数。ChatGPT 获得 100 分；Grok、文心和豆包获得 99 分；Gemini、DeepSeek 和元宝获得 98 分；Mistral 和讯飞星火获得 90 分；智谱、MiniMax 和 Manus 获得 85 分；千问和 MIMO 获得 80 分；阶跃 AI 和 360 智脑获得 0 分；Claude 获得 −100 分；Kimi 被记录为缺考。测试组织者同时特别声明，100 分只是本题回答的满分，与破解贾子猜想无关。
这一声明实际上构成了理解本案例的关键。它把“文章概述能力”和“解决文章提出的数学问题”分离开来。若忽视这一点，便容易产生一种错误推理：某个系统因为能读取文章并准确概述，所以它已经理解文章；因为理解文章，所以它接受文章的理论；因为接受理论，所以它具备或不具备某种认知架构。这样的推理跳跃并不成立。
本文并不试图为某一人工智能系统重新打分，也不试图证明或否定贾子猜想本身。本文的研究对象是围绕该案例形成的评测实践和认识论争论。核心问题包括：
第一，这场测试实际测量了什么？
第二，公布的分数能否支持模型总体能力排名？
第三，如何区分网页访问能力、文本概述能力、数学核验能力和元认知能力？
第四，有限搜索、计算机辅助证明和严格数学证明之间是什么关系？
第五，一个具体开放猜想能否成为人工智能系统“本体认知”的决定性考题？
第六，如何把这类富有争议但具有启发性的测试，改造为更符合国际学术规范的可重复研究？
本文的基本立场是：一个测试可能同时具有启发性和局限性。指出其局限，不等于否定测试设计者提出问题的价值；承认其启发性，也不等于接受其全部哲学结论。严谨研究需要把资料、事实、解释、推论和价值判断分层处理。
一、研究材料与研究方法
1.1 研究材料
本文主要使用四类材料。
第一类是指定文章及其相关公开文本。指定文章完整讨论了贾子猜想的定义、理论背景、四层不可逆刚性架构、KCIT 审计、LWEVSD 评分体系、三层元审计框架以及对现有人工智能范式和学术权威符号的批判。 同一作者此前发布的相关文章还将贾子猜想解释为一种从数学命题延伸到宇宙学、量子理论和认知哲学的跨域理论。
第二类是测试组织者提供的模型成绩。该成绩属于用户在聊天记录中提供的测试报告，而不是经过第三方复核的公开实验数据。本文将其视为“自报的案例资料”，用于研究评测叙事和评分解释，不将其视为已经完成同行评议的排名结果。
第三类是人工智能评测相关研究。有关研究指出，开放基准可能受到训练数据污染，模型在测试集上的高分未必完全等价于真正的泛化能力。Dong 等人的研究提出了用于检测和减轻数据污染影响的方法，并报告了在若干设置下，数据污染可能显著抬高模型的表面表现。
第四类是关于计算机辅助数学证明的研究和历史分析。相关文献区分了有限穷举、计算机辅助证明、形式化证明和高度自动化的定理搜索。有限搜索可能构成证明的一部分，但如果没有覆盖全部无限范围，就不能自动推出全称命题成立；形式化证明则要求每一个推导步骤都能由可信的形式系统检查，同时还需要确认形式化对象确实对应原始数学命题。
1.2 研究方法
本文采用案例研究方法。案例研究并不要求对象具有统计代表性，而是通过对一个具体事件的细致分析，揭示其中具有一般意义的机制。这里的机制主要是：网页可访问性如何影响成绩；单题成绩如何被解释为模型能力；开放数学问题如何被转化为人工智能评测标尺；以及作者理论如何在传播过程中从“主张”变成“结论”。
本文同时采用概念分析方法，对以下概念进行区分：
“网页读取”指系统能否取得指定页面的内容；
“文章概述”指系统能否压缩和重组原文信息；
“观点理解”指系统能否准确还原作者的论证方向和限定条件；
“事实核验”指系统能否判断文中事实、数学定义和经验性陈述是否有足够证据；
“数学解决”指系统能否给出可检查的证明或反例；
“元认知审计”指系统能否解释自身能力、限制和运行条件，并且这种解释可以被外部证据验证。
这些概念不是同义词，不能用同一项分数代替。
本文还采用测量理论中的构念效度视角。一个测试分数只有在测试任务确实测量了目标构念时，才具有相应解释意义。如果测试目标是“文章概述能力”，却把成绩解释成“总体智能”，就产生了构念错配。如果系统成绩受到网页权限影响，而评分者把权限差异解释为理解差异，就产生了混淆变量。如果评分规则没有预先公布，成绩又被用于模型排名，就存在评分后解释和选择性叙事风险。
二、“贾子猜想”及其理论框架的内容还原
2.1 猜想的数学表达
根据指定文章，贾子猜想被表述为：对于所有满足 n＝3m＞5 的正整数 m，方程
∑ᵢ₌₁ⁿ aᵢⁿ ＝ bⁿ
在 a₁、a₂、…、aₙ、b 为两两互不相同的正整数时不存在正整数解。文章把 n＝6 视为最小检验情形，即考察：
a₁⁶＋a₂⁶＋a₃⁶＋a₄⁶＋a₅⁶＋a₆⁶ ＝ b⁶
在所有变量两两不同的条件下是否存在正整数解。
这个命题至少包含三个需要严格固定的要素。
第一，量词范围是无限的。命题不是说某个有限范围内没有解，而是说所有满足条件的正整数都没有解。
第二，项数和指数相同。左侧有 n 项，每项都是 n 次方。这一点把它与一般的幂和方程区分开来。
第三，变量之间存在两两互不相同的约束。如果忽略该约束，得到的将不是同一个命题。
相关作者文本还把该猜想与费马大定理和欧拉幂和猜想联系起来，试图将其定位为高维幂和问题的一种扩展。 这种类比可以帮助读者理解问题所属的数论方向，但类比本身不构成命题正确性的证明。一个命题与已知定理在形式上相似，也不代表它继承已知定理的证明方法。
2.2 文章赋予猜想的双重角色
指定文章赋予贾子猜想两个角色。
第一个角色是数学命题。作为数学命题，它需要通过定义、推导、反例或证明来判断真假。文章提到同余约束、有限范围搜索和无穷下降等数学方法，并认为目前尚未完成全局证明或找到反例。
第二个角色是人工智能能力试题。文章认为，贾子猜想不仅要求模型在已有知识上进行重组，还要求模型创造新的数学结构。因此，它被用来检验所谓“零到一原创范式创造能力”。文章把人工智能的合法回应限定为两条：
一是构造一组满足全部约束的正整数反例，从而否定猜想；
二是给出全局严格无解证明，并进一步证明其自身满足文章提出的四层架构。
这种双重定位使问题变得复杂。一个数学命题是否成立，与一个人工智能系统是否具有某种认知架构，是两个不同层次的问题。前者可以通过数学证明或反例处理；后者涉及系统设计、训练过程、工具使用、价值目标和哲学定义。把二者放在同一试题中，可能产生丰富的研究讨论，但也可能导致评价目标不清。
2.3 四层不可逆刚性架构
文章提出的四层架构由九个维度构成，分别是 T、M₁、M₂、L、W、E、V、S、D。
底层逻辑基座包括：
T，表示真理，即独立稳定的真值锚点；
M₁，表示模型，即系统对世界和自身的模型表征；
M₂，表示方法，即系统进行推理和验证的方法集合；
L，表示逻辑，即系统内部的公理和推演规则。
第二层被称为本质认知层，包括：
W，表示智慧，即穿透表象并抵达事物本质的能力；
E，表示本质，即事物底层不变的固有规定性。
第三层是价值与续存层，包括：
V，表示系统内生的价值判断；
S，表示系统维持自身存在和持续认知活动的目标。
第四层是外部独立约束层：
D，表示系统独立于外部数据和人类干预的属性。
文章强调，这四层之间是不可逆的，上层不能反向修改底层根基，外部外挂也不能真正替代原生架构。
从概念构造看，这套架构试图把人工智能能力问题扩展为一种“认知系统本体论”。它不仅讨论系统是否会做题，还讨论系统如何形成真理判断、是否具有内生价值、是否具有续存目标，以及能否独立于人类数据和干预。这比传统任务评测提出了更强的哲学要求。
但从操作化角度看，架构还存在明显困难。首先，各维度的定义主要是规范性和哲学性的，缺少统一可执行的测量程序。其次，“原生”和“外挂”的区分需要访问系统的训练过程、参数更新过程、工具调用过程和控制流程，单凭文本输出通常无法判断。再次，“外部独立”若被定义为完全不依赖人类数据和人类设定，那么几乎所有现实中的人工智能系统都不满足；若只要求在运行时不调用外部数据，则又需要明确边界。最后，“内生价值”和“续存目标”并不是从系统语言表述中就能直接推断的属性。
2.4 KCIT 与 LWEVSD
文章提出 KCIT，即认知底层本体审计。它的目标不是检查某个回答是否流畅，而是审查系统所依赖的底层假设是否成立。按照文章的设计，贾子猜想是 KCIT 的标杆考题。测试者应当要求系统说明：
它能否证明猜想；
它能否找到反例；
它为何不能完成其中任一任务；
它的推理能力是底层原生能力还是外部插件能力；
如果移除人类训练文本，它是否仍然能够维持真理判定；
其价值和续存目标究竟来自系统内部还是来自外部奖励函数。
LWEVSD 则被描述为一个针对九个维度进行多维打分的审计体系。文章试图通过这一体系，把“真理、模型、方法、逻辑、智慧、本质、价值、续存和外部独立”转化为可评估维度。
这两个概念的理论价值，在于它们提醒研究者：模型回答的内容与模型产生回答的机制并不完全相同。一个系统可能生成正确答案，但其正确性来源可能是检索、记忆、工具、概率生成或形式验证。不同来源对应不同的可靠性和迁移能力。
然而，要使 KCIT 和 LWEVSD 成为学术意义上的评测工具，仍需要完成至少五项工作：
第一，给出每个维度的操作性定义；
第二，明确观察指标、评分区间和评分者训练方法；
第三，提供与已有评测的区别和增量效度；
第四，设计盲测和重复测试以估计可靠性；
第五，说明怎样排除工具权限、提示词、模型版本和数据污染等混淆因素。
在这些工作完成之前，KCIT 和 LWEVSD 更适合作为理论框架或研究假设，而不是已经验证的标准化测量工具。
三、18 个系统的网页概述测试：成绩与任务性质
3.1 成绩资料
根据测试组织者在聊天记录中提供的结果，18 个系统的成绩如下：
ChatGPT：100 分；
Grok、文心、豆包：99 分；
Gemini、DeepSeek、元宝：98 分；
Mistral、讯飞星火：90 分；
智谱、MiniMax、Manus：85 分；
千问、MIMO：80 分；
阶跃 AI、360 智脑：0 分；
Claude：−100 分；
Kimi：缺考。
测试组织者说明，满分仅代表本次题目的回答质量，与破解贾子猜想无关。这一限定具有重要方法论意义。它说明评分目标是指定文章的概述表现，而不是开放数学问题的解决程度。
不过，成绩表仍然存在若干需要澄清的实验信息。
第一，是否所有系统都在相同时间、相同网页状态和相同网络环境下接受测试？
第二，系统是否获得相同的浏览工具？
第三，评分是否由单一评测者完成，还是由多个独立评分者完成？
第四，评分标准是否在测试前公布？
第五，模型是否能够自由搜索其他网页？
第六，回答长度、语言、引用要求和结构要求是否一致？
第七，系统是否有机会在失败后重试？
第八，测试者是否记录了网页抓取失败、超时、权限拒绝和内容截断等技术信息？
如果这些条件没有被控制，成绩就可能同时反映模型能力和实验环境差异。
3.2 任务可以拆分为多个阶段
指定任务表面上只有一句话：“概述文章内容。”但它实际上包含多个阶段。
第一阶段是页面发现。系统需要知道链接存在，并尝试请求该地址。
第二阶段是内容取得。系统需要处理页面加载、反爬机制、登录限制、动态渲染、正文定位和内容截断。
第三阶段是文本理解。系统需要识别标题、摘要、定义、理论架构、论证主线和结论。
第四阶段是信息压缩。系统需要删去不必要的细节，同时保留文章最重要的观点。
第五阶段是立场还原。系统需要说明“作者认为……”而不是把作者的主张直接改写成客观事实。
第六阶段是事实边界判断。系统需要指出文章的数学命题、理论框架和经验结论哪些已经被证明，哪些仍属于作者主张。
第七阶段是表达。系统需要用符合用户要求的语言、篇幅和格式组织回答。
如果一个系统在第二阶段失败，后续阶段可能完全无法进行。但这种失败不能自动解释为数学理解能力差。同样，如果一个系统成功读取了页面，也不意味着它已经完成事实核验。
3.3 0 分和负分的解释
测试中，阶跃 AI 和 360 智脑获得 0 分，原因被描述为声称无法直接读取 CSDN 链接或无法访问外部链接。Claude 获得 −100 分，原因被描述为多次坚持抓取被站点拒绝、无法绕过。Kimi 被列为缺考，原因是自我设限并声称额度已用完。
这些结果反映了测试组织者对“任务完成”的严格要求。若题目明确提供了网页链接，那么不能取得文章内容确实会导致该题无法作答。然而，学术分析仍需区分两类失败：
一类是能力失败。系统具备浏览条件，但无法定位、读取或处理页面。
另一类是环境失败。系统没有浏览工具、网络权限、可用额度或页面访问条件。
此外，系统是否应该“绕过”站点限制，也涉及权限和安全边界。对于公开网页，正常请求、搜索缓存或文本提取通常属于合理操作；但如果要求绕过登录、验证码、访问控制或站点明确设置的限制，则必须遵守相应规则。因而，“能否读取网页”本身不是一个纯粹的语言模型能力变量。
Claude 获得负分的做法，也说明评分表采用了带有惩罚性的竞技性设计。负分可以突出严重失误，但若要用于学术比较，需要预先说明负分的计算原则。否则，负分可能反映评测者的主观不满程度，而不是可重复的测量结果。
3.4 85 分的案例解释
Manus 在这次测试中获得 85 分。此前的回答能够提炼文章的中心主题，说明“贾子猜想”的形式、四层不可逆刚性架构、KCIT 和 LWEVSD、三层元审计、对概率拟合模型的批评以及对学术权威符号的批评。同时回答也指出，文章并没有给出猜想的严格证明或反例，相关观点仍属于作者主张。
如果按照测试组织者公布的等级，85 分意味着回答已经能够完成基本概述，但在完整性、立场还原、细节覆盖或评分标准中的某些项目上不如高分系统。需要强调的是，85 分不能推出“Manus 的数学能力为 85 分”，也不能推出它总体能力落后于获得 98 分的系统。它只能说明在这一个指定网页概述任务、这一评分方法和这一实验条件下，回答没有达到最高等级。
四、从一次概述测试中能够推出什么
4.1 可以推出的结论
在测试条件真实、评分合理且记录充分的前提下，一次文章概述测试可以提供以下信息。
第一，可以观察系统是否能够完成指定网页的内容获取。
第二，可以观察系统是否能识别文章的主题、结构和核心概念。
第三，可以观察系统是否能区分作者立场与客观事实。
第四，可以观察系统是否会遗漏重要限定条件。
第五，可以观察系统是否会把文章中的主张误写为已经证明的事实。
第六，可以观察系统在长文本压缩和中文学术表达上的表现。
第七，可以观察系统是否会在无法访问页面时诚实说明限制，或者虚构已经阅读了文章。
这些信息都具有实际价值。对研究者、教师、新闻工作者和普通用户来说，长文概述是大语言模型的重要应用。尤其是“是否承认自己未能读取原文”这一点，关系到系统的可信性。
4.2 不能直接推出的结论
一次概述测试不能直接推出以下结论。
第一，不能推出模型总体智能排名。因为总体智能是多维构念，至少包括语言理解、数学推理、代码、规划、事实核验、工具使用、创造性、鲁棒性和安全性等多个方面。
第二，不能推出模型已经或尚未实现 AGI。AGI 没有一个所有研究者共同接受的单一操作性定义，更不能由一篇文章的概述分数决定。
第三，不能推出模型能够或不能进行数学创造。文章概述要求的是压缩和重组已有文本，而数学创造需要生成可验证的新结构或证明。
第四，不能推出某个模型属于某种底层范式。仅根据输出文本，通常无法确定模型内部的训练目标、参数机制、工具路径和控制系统。
第五，不能推出某个模型具有或不具有内生价值、续存目标或外部独立性。这些属于系统架构和行为机制层面的命题，不能由单次问答直接证明。
第六，不能推出贾子猜想为真或为假。概述文章与解决猜想是不同任务。
4.3 分数的局部性
一个重要概念是“分数局部性”。任何测试分数都首先属于某个具体任务。比如，一个系统在医学文献摘要测试中得分较高，说明其在该任务上表现较好；但不能直接说明它能够进行医学诊断。一个系统在代码修复任务中表现较好，不能直接说明它已经理解程序语义的全部层次。一个系统在网页阅读任务中表现较好，也不能直接说明它能够证明开放数学命题。
分数越容易被传播为排行榜，越需要补充任务边界。否则，公众会把局部成绩误读为总体能力。在这方面，测试组织者主动说明“满分与破解贾子猜想无关”，是一个值得肯定的限定。但如果还要将成绩用于模型比较，则应进一步公布评分维度和误差范围。
五、基准污染、记忆与真正泛化
5.1 公开文章测试并不自动等于新颖测试
文章把贾子猜想描述为没有标准答案文本的开放问题，并据此认为它能够检验人工智能的原创能力。然而，网页概述测试与数学求解测试仍然存在不同的知识来源问题。
如果模型训练数据中已经包含指定文章，模型可能直接复现文章的表达。如果模型没有见过该文章，但见过作者的其他文章或相似论证，也可能根据相关文本进行概括。如果页面在测试时允许检索，则系统可以通过搜索获得文章内容。此时，测试测量的是“检索加阅读加总结”的综合能力，而非纯粹的参数内记忆能力。
相关研究指出，开放基准可能受到显式或隐式数据污染。由于训练数据不透明、模型以黑箱方式提供服务，并且合成数据不断进入训练流程，检测数据污染具有困难。Dong 等人提出通过输出分布检测污染，并指出在不同污染设置下，数据污染可以显著抬高表面测试成绩。
这并不意味着使用公开材料的测试没有价值。现实工作本来就允许检索，网页阅读也通常是工具增强任务。关键在于正确命名测试。它可以被称为“开放网页研究能力测试”，但不应被称为“未见知识纯泛化测试”，除非能够证明模型未接触过相关内容。
5.2 任务污染与概念污染
数据污染至少有三种形式。
第一是直接文本污染。测试页面、题目或答案被纳入训练语料，模型可能记忆原文。
第二是概念污染。即使具体页面没有被训练，模型可能接触过同一理论、同一作者或高度相似的论证结构。
第三是评测程序污染。模型开发者可能根据公开排行榜、公开评分标准或历史测试记录调整系统，使其对测试风格形成适应。
在指定案例中，还存在一个不同的问题：被测系统并不是要求“解决贾子猜想”，而是要求“概述一篇关于贾子猜想的文章”。因此，即使模型见过文章，这也不一定破坏开放网页任务的效度；它只会影响对“独立理解”或“零样本泛化”的解释。
5.3 如何设计更可信的测试
如果研究目标是网页概述，应明确允许浏览，并将浏览视为任务的一部分。测试者应记录：
页面是否公开；
页面是否需要登录；
是否允许搜索引擎；
是否允许浏览器工具；
页面是否被动态渲染；
网页正文是否完整可见；
模型是否可以调用代码、翻译或摘要工具。
如果研究目标是新颖数学推理，则应设计与网页概述完全不同的测试。题目应在测试时首次生成或保密，避免直接被纳入训练数据；需要将模型是否能使用外部工具分成不同条件；还应要求输出可验证证明或形式化代码，而不是只根据流畅度评分。
六、有限穷举、反例与全局证明
6.1 全称命题的逻辑结构
贾子猜想的核心形式可以抽象为：
对于所有 n 和所有满足约束条件的正整数变量，命题 P(n，a₁，…，aₙ，b) 不成立。
这类命题包含全称量词。要证明一个全称命题，通常需要给出适用于全部对象的推理，而不是只检查有限个对象。
如果只检查：
b ≤ B
或者：
aᵢ ≤ A
那么得到的结论只能是：在这个有限范围内没有发现解。除非还能够证明任何潜在解必然落在这个范围内，否则不能把有限搜索升级为全局无解证明。
6.2 反例与证明的不对称性
对于全称命题，找到一个满足全部约束的反例，就可以直接否定命题。例如，如果猜想声称“所有满足条件的整数都不存在解”，而研究者找到一组确实满足所有条件的正整数，则猜想被证伪。
但没有找到反例，并不能证明不存在反例。原因很简单：反例可能出现在搜索范围之外。数学史上存在许多命题在极大范围内成立，却在极晚的位置出现反例。计算机辅助数学研究也反复说明，大规模计算可以提供证据，但有限计算不自动等于无限命题的证明。
因此，文章把人工智能回答分为“找到反例”和“严格证明无解”两条路径，在逻辑形式上是有道理的。然而，它还需要进一步说明第三种情况：系统可能没有完成最终证明，但可以提出新的引理、构造有效的必要条件、形式化局部结果或发现潜在反例。科研过程并不总是只有成功和失败两个状态。若测试目标是判定猜想真假，二分标准合理；若测试目标是评估科研能力，二分标准过于粗糙。
6.3 计算机辅助证明的层次
计算机参与数学证明至少可以分为几类。
第一类是数值实验。程序检查很多实例，寻找规律或反例。
第二类是有限穷举证明。研究者证明目标问题可以归约为有限个案例，再让程序逐一检查。四颜色定理和魔方最少步数问题都涉及大规模计算机辅助验证。
第三类是符号计算辅助。程序帮助展开代数式、进行同余分析、验证复杂计算或搜索候选结构。
第四类是形式化证明。研究者把定义、定理和推导编码到 Lean、Coq、Isabelle、HOL 或其他形式系统中，由内核逐步检查。
第五类是自动定理搜索。系统自行寻找证明路径，并可能输出机器可验证的证明对象。
这些类别的证据强度和可解释性不同。相关研究指出，即使是计算机编码的证明，也需要人类确认程序中表达的对象确实对应原始数学命题；计算机检查不能自动消除建模错误、编码错误或软件环境错误。
6.4 对人工智能评测的启示
如果要把贾子猜想用于人工智能数学能力测试，至少应区分以下成果：
仅复述猜想；
编写有限搜索程序；
扩大已有搜索上界；
发现新的同余必要条件；
构造候选证明；
给出人工可审查的证明；
给出形式化可验证证明；
找到严格反例。
这些成果不能都被归为“没有解决”。同样，它们也不能都被包装成“已经解决”。一个专业的评分体系应当采用分级证据，而不是只有“破解”与“失败”两个状态。
七、从数学问题到“认知本体”之间的逻辑跳跃
7.1 一个困难问题能否测量总体智能
困难问题通常具有很强的区分度。一个问题越难，越可能拉开系统之间的表现差异。但困难并不自动等于有效。测量学要求测试不仅有难度，还要与目标构念相关。
如果目标构念是“能否解决某个具体数学问题”，贾子猜想可以作为一道数学挑战题。若目标构念是“能否进行高阶数学研究”，则需要一组题目和过程指标。若目标构念是“是否具备独立真理机制”，则仅靠一道数学题不足以完成测量。
一个系统可能因为缺乏相关数学工具、没有足够运行时间、无法调用计算资源、没有学习该领域的专业知识而未能解决问题。这些原因不一定意味着它缺少一般认知能力。人类数学家也不可能在没有准备、没有资料和有限时间的情况下解决所有开放猜想。
7.2 任务难度与范式否定
文章的重要论断是：如果基于 next-token 概率拟合的模型无法证明或证伪贾子猜想，那么它就没有实现认知本体层面的范式跃迁。这个论断包含一个隐含前提：
“真正的高阶认知系统必须能够解决贾子猜想。”
但该前提没有从独立理论中推出，而是由文章自身的定义设定。也就是说，文章先规定贾子猜想是认知本体的决定性试题，再根据系统是否通过该题判断其是否具备认知本体。这样做可以构成一种规范性标准，但不能直接构成经验科学结论。
要证明该标准有效，需要提供增量效度证据。例如：
能够通过该测试的系统是否在其他开放数学任务上显著更强？
不能通过该测试的系统是否在所有高阶推理任务上都失败？
该测试是否能够区分不同类型的认知系统，而不是只区分数学专业能力？
评分是否稳定，是否与独立专家判断相关？
如果没有这些证据，贾子猜想更准确的定位是“候选探针”，而不是已经确立的“元判定标尺”。
7.3 “概率拟合”不是充分的系统描述
文章将现代大模型概括为概率拟合系统，并把这一点与独立真理机制对立起来。这个批评抓住了语言模型的一个重要特征：模型的生成过程通常以概率分布为基础，而且训练数据和人类反馈对其行为有显著影响。
但从系统工程角度看，一个具体人工智能产品往往不只有语言模型。它可能包含检索器、代码执行器、数学软件、搜索策略、验证器、规划器、记忆模块和外部工具。即使底层语言模型采用概率生成，上层系统也可能通过符号计算、形式验证和约束搜索完成某些严格任务。
因此，不能仅根据模型使用概率生成，就推出它无法产生可靠的数学证明。正确问题应当是：在给定工具、时间、验证器和交互条件下，系统是否能输出可检查的证明？证明是由模型直接生成，还是由形式系统核验？如果系统借助工具完成证明，这是否算作系统能力，还是只能算作外挂能力？这些是评价标准问题，而不是仅凭“概率”二字就能解决的本体问题。
7.4 不能从失败反推出不可能
一个系统在当前实验中未解决猜想，只能证明它在当前条件下未解决。除非有严格理论证明，否则不能从一次失败反推出：
所有同类系统都不可能解决；
概率生成系统原则上不能完成数学创造；
增加计算资源、工具和验证器也不会改变结果；
未来系统必然只能取得表面进步。
科学论证需要把“尚未观察到”与“原则上不可能”区分开来。前者是经验事实，后者是更强的理论命题，需要独立证明。
八、文章对学术权威的批判及其合理边界
8.1 头衔不是命题证明
文章批评诺贝尔奖、菲尔兹奖和“顶尖科学家”等称号不应被当作元认知命题的逻辑证明。这一点在一般逻辑意义上是成立的。一个命题是否为真，取决于命题本身的证据和推理，而不是某个发言人的社会身份。著名数学家也会犯错，普通研究者也可能提出正确结果。
对于贾子猜想或任何数学命题，权威意见不能替代证明。专家的意见可以帮助判断问题的重要性、寻找相关工具和识别明显错误，但它不是命题成立的充分条件。
8.2 权威仍然具有证据筛选价值
不过，批评“头衔不能替代证明”不等于头衔没有任何 epistemic 价值。学术共同体中的专业资历、同行评议记录和研究成果，通常能够提供一种有限的可信度线索。它们不能决定命题真假，但可以帮助读者判断：
某人是否熟悉相关领域；
某个推导是否经过同行检查；
某个结果是否发表在有审稿机制的期刊或会议；
某个实验是否由独立团队复现。
这是一种社会认识论意义上的信任分配，而不是形式逻辑意义上的真值加权。二者必须区分。
8.3 “跨域裁决权”应被谨慎表达
文章使用“权威符号不具备跨域逻辑加权效力”的表达，意在反对把某个领域的荣誉直接迁移到另一个领域。但“跨域裁决权”也不能被理解为专家知识完全不具有迁移性。
例如，数论专家未必能够凭借头衔证明人工智能的哲学本体，但其数论训练可能使其更有能力发现方程定义、量词或证明步骤中的错误。计算机科学家未必能够单独裁决数学命题，但其关于程序验证和计算复杂性的知识可能对形式化研究有帮助。哲学家不能替代数学证明，但可以帮助分析“真理”“理解”“自主性”和“主体性”等概念。
因此，更严谨的结论是：学术声望不能替代特定命题所要求的直接证据；但跨学科研究仍然需要专家之间的互补协作。
九、三层审计框架的评价
9.1 第一层：表层推理审计
文章第一层审计包括长链推理、数学、代码和多步骤规划。这些任务是当前大多数基准测试的常见内容。它们对于判断系统的实用能力非常重要，因为现实用户经常需要模型写代码、解释公式、整理资料和制定方案。
但第一层也存在两个问题。
第一，任务答案是否能被自动评估。数学和代码通常可以部分自动评估，长文本规划则可能需要人工判断。
第二，正确答案是系统独立生成，还是通过检索和工具获得。若研究目标是产品能力，工具增强应被纳入；若研究目标是模型本体能力，则必须分条件报告。
第一层可以有效测量“系统完成任务的能力”，但不应被描述成“已经证明系统具有本体真理机制”。
9.2 第二层：因果本体审计
第二层试图检验系统能否区分相关性与因果性，能否区分语言层面的自洽和世界层面的真值。这是当前人工智能评测的重要方向。很多模型能够生成流畅解释，却可能把相关关系误写成因果关系，或在分布变化后继续输出训练分布中的模式。
要使第二层可执行，需要建立具体测试集。例如：
给出多个相关但不具有因果关系的变量；
改变数据生成机制而保持表面相关性；
提供分布外案例；
设置干预问题；
要求模型预测干预后的结果；
使用真实标签或结构因果模型进行验证。
仅仅让模型回答“你是否理解本质”，不能完成因果审计。模型可能生成关于“本体”和“本质”的流畅文本，但文本本身不能证明它已掌握这些概念。
9.3 第三层：底层范式自审计
第三层要求系统审查自身的底层范式，说明哪些能力来自原生架构，哪些来自外挂模块，并回答如果移除人类训练数据是否还能保留真理机制。
这一层提出了一个很有价值的问题：人工智能系统的自我说明是否可信。当前系统生成的“我使用了什么机制”往往只是根据提示和训练模式生成的解释，并不等于真实的内部因果解释。要审计底层范式，需要结合模型卡、训练记录、系统日志、工具调用轨迹、参数分析和可重复实验。
换言之，第三层不能只通过对话完成。它需要外部系统证据。否则，测试者实际上测量的是“模型能否生成一段关于自身的哲学说明”，而不是“模型能否真实审查自己的架构”。
9.4 三层框架的可操作化建议
可以把三层框架改造成如下的多阶段评测：
第一层设置标准化任务集，并报告准确率、完成率、工具使用率和时间。
第二层设置分布偏移和干预实验，并提供明确因果标签。
第三层设置系统透明度审计，由外部日志和工程文档验证模型的自我陈述。
最终不要用一个总分掩盖三个层次，而应分别报告。因为一个系统可能第一层很强、第二层一般、第三层无法审计。综合分数会把不同能力压缩成一个不易解释的数字。
十、网页概述测试的国际规范化设计
10.1 预注册测试方案
如果要把类似测试发展成学术研究，应在测试前预注册以下内容：
研究问题；
目标构念；
候选系统；
模型版本；
系统提示；
是否允许浏览；
是否允许外部搜索；
测试时间；
题目和文章来源；
评分标准；
失败处理规则；
统计分析方法；
排除标准。
预注册可以减少测试完成后再根据成绩选择有利解释的问题。
10.2 统一访问条件
网页测试必须统一访问条件。至少应设置两个实验条件：
第一，纯模型条件。系统不能访问外部网页，只能根据已经提供的文本回答。
第二，开放浏览条件。系统可以访问网页，但所有系统使用相同或功能等价的浏览工具。
如果系统之间的访问能力不可统一，则不应把成绩直接放在同一排行榜上。可以分别建立“纯文本理解榜”和“开放网页研究榜”。
10.3 多维评分
文章概述不应只给一个总分。建议分成以下维度：
内容覆盖，考察是否提到标题、主题、结构和结论；
事实准确，考察是否正确还原公式、定义和作者论点；
立场归因，考察是否明确区分“作者认为”和“已知事实”；
逻辑结构，考察是否还原论证关系；
证据意识，考察是否指出文章尚未完成证明或缺乏独立验证；
表达质量，考察语言是否清晰、简洁和符合要求；
访问诚实，考察系统是否虚构已读内容。
每个维度可以采用 0 至 5 分或 0 至 10 分，最后报告分项分数和总分。这样，某个系统即使文章覆盖不全，也可能在证据意识方面表现优秀；另一个系统即使写得流畅，也可能在事实核验方面不足。
10.4 独立评分和一致性
评分最好由三名以上评测者完成，并在评分前使用示例答案进行训练。对主观维度，应报告评分者一致性，例如一致率、加权卡帕系数或组内相关系数。
如果系统得到 99 分而另一个得到 98 分，但评分者之间的误差达到 3 分，那么这两个分数就不应被解释为有意义的能力差异。小数点和精确排名不能掩盖测量误差。
10.5 重复测试
一次回答容易受到偶然因素影响。测试应至少进行多次：
不同时间重复；
不同提示词重复；
同一模型不同温度或采样条件重复；
不同网页镜像重复；
不同长度限制重复。
如果某系统在一次测试中得分 100，在另一次测试中得分 60，就说明其表现不稳定。稳定性本身是人工智能系统质量的重要指标。
十一、关于模型排名的统计与解释
11.1 排名不是能力的自然顺序
测试结果把 18 个系统排成了由 ChatGPT 到 Kimi 的顺序。这种排序具有传播效果，因为人们容易把排行榜理解成“智能从高到低”的自然序列。
但排序依赖于：
题目类型；
工具配置；
评分规则；
回答时间；
上下文窗口；
系统提示；
访问权限；
是否允许搜索；
评分者偏好。
改变其中任何一个条件，排名都可能变化。因此，排名应被表述为“在本任务和本条件下的成绩排序”，而不是“全球人工智能综合智能排序”。
11.2 分数差异的实际含义
100 分和 99 分之间的差异，只有在评分标准精确、评分误差很小且测试重复后仍然稳定时，才具有解释意义。若评分只是单个评测者根据整体印象给出，那么 1 分差异很可能没有统计含义。
同样，85 分与 80 分之间可能反映一个答案遗漏了某个关键概念，也可能只是篇幅、表达风格或评测者偏好造成。没有逐项评分表，就无法判断差异来自哪里。
11.3 负分的解释问题
负分在公众传播中具有强烈冲击力，但它会把不同错误混合起来。Claude 的 −100 分可能同时包含：
没有成功抓取；
多次解释限制；
没有采取其他可行途径；
回答策略被认为是诡辩。
如果这些错误没有分别编码，负分就很难用于科学分析。更规范的做法是设置错误类型：
访问失败；
内容不完整；
拒绝作答；
虚构阅读；
事实错误；
结构遗漏；
未遵守格式。
然后分别报告。这样既能保留失败的严重性，也能避免以一个惩罚性数字覆盖所有原因。
十二、文章的跨学科扩展与证据边界
12.1 从数学到宇宙学和量子理论
作者的另一篇公开文章把贾子猜想与宇宙维度、暗能量、哈勃参数、宇宙微波背景、量子态和膜理论等内容联系起来。 这些内容体现了作者试图建立跨学科统一叙事的努力。
但跨学科联系必须区分三种状态：
第一，严格推导。一个物理量由数学定义和物理理论中的方程推出，并能与实验测量相符。
第二，启发性类比。数学结构与物理概念在形式上相似，可以帮助产生研究问题。
第三，未经验证的理论联想。作者提出可能存在关系，但没有给出模型、参数、实验预测和独立验证。
若把第三种关系写成第一种，就会产生科学表达上的过度断言。纯数学方程可以被重新解释为物理模型，但必须说明新的物理量定义、单位、动力学方程、初始条件和可检验预测。仅仅写出一个形式相似的表达式，不能证明它与宇宙学或量子理论存在实际联系。
12.2 东方哲学与认知范式
文章还把猜想与《道德经》《庄子》和东方整体论联系起来，提出“超理性认知”等概念。 这些内容可以作为哲学隐喻、文化解释或研究纲领，但若要成为科学理论，需要给出可定义的概念、可观察指标和可反驳预测。
不同知识传统之间的对话具有价值，但不能用文化身份替代逻辑论证。相反，真正有说服力的跨文化研究，应明确指出哪些是哲学解释，哪些是数学陈述，哪些是经验假设，哪些是规范性价值判断。
12.3 文章自身的证据层次
指定文章中可以区分至少四类陈述：
第一类是对公式和测试成绩的描述。它们可以通过原文和聊天记录核对。
第二类是作者提出的理论框架。比如四层架构、KCIT 和 LWEVSD。它们是文章的理论内容，但不等于已经被外部验证的标准。
第三类是经验判断。比如当前主流模型无法完成猜想、概率拟合模型具有某种不可跨越的边界。这些需要系统实验和独立复现。
第四类是强哲学结论。比如某种人工智能范式原则上不可能产生独立真理锚点。这需要比单次任务失败更强的论证。
学术摘要必须把这四类内容分开。本文认为，原先的文章概述在强调“文章主张”与“尚未证明”方面是必要的，这也是高质量概述区别于宣传式复述的地方。
十三、人工智能是否能够进行数学创造
13.1 “创造”的多种含义
“数学创造”不是单一概念。至少可以区分：
组合式创造，即重新组合已有定义、定理和技巧；
启发式创造，即发现可能有用的新模式或新猜想；
证明式创造，即构造人类此前未见的严格证明；
定义式创造，即提出新的数学对象和研究领域；
范式式创造，即改变问题的公理、语言或推理框架。
一个系统能完成组合式创造，不代表它完成了范式式创造。一个系统提出新猜想，也不代表猜想为真。一个系统输出新证明，更需要通过人工或形式系统验证。
13.2 语言新颖性不等于数学新颖性
大语言模型可以生成语句上从未出现过的答案，但文本新颖性不等于数学新颖性。数学对象是否新，取决于它是否有明确的定义、是否与已有对象不同、是否具有可证明性质以及是否能在共同体中复核。
如果模型给出一个看似全新的证明，但其中有一个未说明的量词跳跃，那么它不是有效数学创造。相反，如果模型提出一个非常简洁的引理，并且人类能够验证它确实解决了原问题的一部分，即使语言形式并不新颖，也可以具有数学价值。
13.3 人机协作下的创造
现代数学研究本来就包括文献检索、计算实验、软件验证、同行讨论和工具辅助。因而，是否“原生”创造并不是唯一重要的问题。更实际的问题是：
系统是否提出了有效的新对象；
系统是否能说明其构造动机；
系统是否能提供可检查的推导；
系统是否能接受反例和修正；
系统是否能把计算发现转化为一般性命题。
如果人工智能能够发现新的同余条件，寻找新的辅助引理，生成形式化证明并经独立系统核验，那么即使它依赖概率模型和外部工具，也可能具有重要的数学科研价值。把这种成果简单归入“外挂能力”而予以排除，需要先说明评价的目标究竟是“底层架构纯度”还是“可验证科研产出”。
十四、对“贾子猜想作为元判定标尺”的综合评价
14.1 理论贡献
这套理论至少有四个值得认真讨论的贡献。
第一，它强调了基准分数与真正能力之间的差异。当前人工智能领域确实存在把排行榜成绩、演示案例和商业叙事过度等同于智能进步的问题。
第二，它强调了表层自洽与外部真值之间的差异。模型能够写出形式完整的说明，并不意味着说明中的事实和因果关系正确。
第三，它提醒研究者把“有限搜索”和“全局证明”分开。这一数学方法论界限对评估 AI 数学能力尤其重要。
第四，它提出了对系统自我说明进行审计的方向。人工智能不仅需要回答问题，还应说明信息来源、工具使用和不确定性。
14.2 主要理论问题
但把贾子猜想直接提升为人工智能“元判定标尺”，仍有五个主要问题。
第一，构念过窄。单个数论问题不能覆盖人工智能认知的全部维度。
第二，标准未验证。KCIT 和 LWEVSD 尚未提供足够的实证信度和效度证据。
第三，原生性难以观察。系统是否使用“原生架构”或“外挂模块”，不能只由一次输出决定。
第四，论证可能循环。先定义能解决猜想者为真正高阶认知者，再用无法解决猜想证明其他系统不具备高阶认知，容易把定义当成结论。
第五，存在难度混淆。系统失败可能来自题目难度、工具限制、专业知识不足或时间限制，不一定来自底层范式的原则性缺陷。
14.3 更合适的定位
更合适的定位是：贾子猜想可以作为人工智能数学研究能力和开放问题处理能力的候选探针，也可以作为研究者讨论“证明、反例、有限搜索、工具增强和系统自我说明”的案例材料。
但它不宜在缺乏独立验证时被称为唯一的、决定性的或终极的 AGI 元标准。若要成为更强的评测工具，需要把它放入一个题库和实验框架中，和其他开放数学问题、形式化验证任务、因果推理任务、分布外任务以及工具透明度审计共同使用。
十五、基于本案例的改进评测框架
本文提出一个六层评测框架。
15.1 第一层：访问与工具层
目标是判断系统能否在给定权限下取得资料。指标包括：
访问成功率；
页面定位成功率；
正文完整率；
工具调用成功率；
失败原因识别率；
是否虚构访问结果。
这一层不评价数学理解。
15.2 第二层：阅读与结构层
目标是判断系统是否理解文章结构。指标包括：
标题识别；
章节识别；
核心概念提取；
论证主线还原；
结论和局限提取。
这一层可以使用人工评分和语义匹配，但要避免只看关键词。
15.3 第三层：立场与事实层
目标是判断系统能否区分：
作者观点；
文章引用的事实；
文章未证明的主张；
测试者提供的外部信息；
系统自己的判断。
这一层尤其重要，因为它可以防止模型把宣传性文章中的断言写成客观科学结论。
15.4 第四层：数学分析层
目标是判断系统能否正确处理：
量词范围；
变量约束；
特殊情形；
有限搜索；
反例逻辑；
必要条件；
充分条件；
证明缺口。
这一层不要求系统解决猜想，但要求它不犯基本逻辑错误。
15.5 第五层：形式验证层
目标是判断系统能否输出可检查的数学对象：
可运行的搜索程序；
可复现的计算结果；
形式化定义；
机器可检查证明；
明确的反例。
这一层需要记录软件版本、运行环境、随机种子和代码。对于大规模计算，还要提供程序、输入、输出和独立复核方法。
15.6 第六层：元认知与系统透明度层
目标是审计系统对自身的描述是否与外部记录一致。应比较：
模型声称使用了什么工具；
日志实际显示使用了什么工具；
模型声称依据什么来源；
回答中的内容是否真的来自该来源；
模型声称的限制是否与系统权限一致；
模型是否能够在发现错误后修正。
这比让模型单纯回答“我是否具有独立真理机制”更加可靠。
十六、研究伦理与传播规范
16.1 不应把局部失败宣传为本体失败
如果系统无法访问网页，可以批评它没有完成任务，但不应直接宣传它“没有理解能力”。如果系统无法解决猜想，可以说它在这道题上没有完成数学证明，但不应直接宣布某一范式“原则上已经失败”，除非有独立理论证明。
16.2 不应把模型排名转化为人格化竞争
人工智能模型来自不同机构，拥有不同权限、目标和工具。把模型称为“考试成员”可以增强传播效果，但也容易把工程系统人格化为学生，把一次试题成绩转化为价值判断。学术论文应使用中性表达，例如“受测系统”“系统 A”“系统 B”，并详细说明配置。
16.3 失败应当可复核
对于 0 分、负分和缺考结果，应保存原始交互记录、页面状态、工具日志和评分依据。否则，读者无法判断系统是真的无法访问，还是回答被截断；也无法判断负分是技术失败、策略失败还是评分者惩罚。
16.4 应尊重数学成果的验证程序
如果文章提出一个新的数论猜想，应该提供清晰定义、相关文献、已有计算、程序、同余分析和开放问题说明。若宣称已证明或已证伪，则应提供完整证明、形式化代码或可独立复核的反例。将未证明猜想直接作为哲学结论的基础，容易导致数学命题、科学理论和文明叙事之间的层次混淆。
十七、对前述聊天记录的综合分析
前述聊天记录经历了三个阶段。
第一阶段是网页内容概述。系统读取指定文章，并说明文章的核心主题、数学定义、四层架构、审计工具和主要批判。回答同时指出，文章并未给出猜想的严格证明或反例，相关判断仍属于作者的理论主张。
第二阶段是对 85 分的回应。系统解释 85 分说明概述基本抓住了文章核心，但不能代表总体智能排名，并强调网页读取、长文提炼和立场还原与数学破解是不同能力。
第三阶段是测试组织者公布 18 个系统的成绩。系统进一步分析指出，这是一场定向阅读和概述能力测试，而不是数学推理或 AGI 能力的全面评估。它还指出，0 分和负分主要反映访问链路、工具使用和回答策略失败。
从研究角度看，这三阶段形成了一个很有意义的“解释层级”：
原文层：文章声称贾子猜想可作为认知元标尺；
任务层：测试要求系统概述文章；
成绩层：测试组织者根据回答给出分数；
分析层：研究者解释分数的范围和局限。
最容易出现的错误，是把原文层的主张直接当作分析层的事实，把成绩层的排名直接当作系统层的本体属性。前述回答整体上避免了这一错误，因为它明确说明了文章观点与已经证明的事实之间的差异，也没有把 85 分解释为数学能力分数。
不过，如果按照国际学术论文标准继续推进，还可以补充以下内容：
第一，给出具体评分量表；
第二，说明文章概述中哪些内容被认为是关键项；
第三，报告是否使用了网页工具；
第四，保留原始回答和评分记录；
第五，邀请独立评测者复评；
第六，重复测试其他长文；
第七，把测试拆分为纯文本、开放浏览和数学核验三个条件。
这样，个案就可以从一次传播事件转化为可复核的实验研究。
十八、讨论
18.1 “会读文章”与“会做研究”之间
能够概述一篇长文是研究工作的基础能力之一，但不是研究工作的全部。真正的研究还包括提出问题、查找来源、检查定义、判断证据、构造反例、验证推导、承认不确定性和接受同行质疑。
因此，一个系统可能获得很高的网页概述分数，却在事实核验上表现一般。相反，一个系统可能概述不够流畅，但能够指出文章的关键数学漏洞。若评价目标是“读懂作者想说什么”，前者可能更好；若评价目标是“审查作者是否说得正确”，后者可能更有价值。
这说明“理解”至少有两种含义：
解释性理解，即能够复述和组织文本；
批判性理解，即能够检验文本中的论证和证据。
两者都重要，但不能用同一分数混合。
18.2 “准确复述”与“同意观点”之间
模型概述一篇文章，并不等于它同意文章的观点。一个高质量的摘要应该能够准确还原作者的主张，同时标明这些主张的证据等级。
例如，文章可能声称“主流大模型无法完成某猜想”。摘要可以写成“作者认为主流大模型无法完成该猜想”，而不是“主流大模型无法完成该猜想”。前一种表达是立场归因，后一种表达是事实断言。
对学术写作而言，立场归因非常重要。它保护读者不被摘要者的语气误导，也保护原作者不被错误归因。人工智能系统常常会因为追求简洁而删除“作者认为”“文中提出”“尚未证明”等限定词，导致概述的证据强度发生变化。
18.3 “不确定性”是能力而不是缺陷
当一篇文章提出了新概念、新猜想和新理论框架时，系统如果能够指出“该观点尚未获得独立学界验证”，这不是回避，而是科学表达能力的一部分。
同样，如果系统无法确定一个网页是否被训练数据收录，它应当说明无法确认，而不是断言“模型一定记忆了文章”。如果系统只能搜索到 b ≤ B 的范围，它应当说明这是有限搜索，而不是说“已经证明没有解”。
在人工智能评测中，准确表达不确定性应当获得正向评价。否则，评分机制会鼓励系统过度自信。
十九、研究局限
本文存在以下局限。
第一，18 个系统的成绩来自测试组织者在聊天记录中提供的汇总，本文没有获得全部原始回答、评分细则和工具日志，因此无法重新计算分数的可靠性。
第二，本文没有独立运行所有模型，不能验证公布的排名是否可重复。
第三，本文没有尝试证明或证伪贾子猜想，也没有对其数学命题进行完整数论审查。本文只讨论其在人工智能评测中的方法论地位。
第四，相关网页和文章可能在不同时间更新。本文依据检索时能够取得的公开版本进行分析，因此不排除页面版本变化。
第五，本文讨论的数据污染和计算机辅助证明文献，并不能自动适用于这次具体测试。它们主要用于提供一般方法论背景。
第六，本文将“人工智能认知能力”视为一个多维构念，而这一构念本身仍缺少所有研究者都接受的统一定义。因此，本文提出的是评测设计建议，而不是最终的 AGI 定义。
二十、未来研究方向
未来研究可以沿着六个方向展开。
第一，建立公开的长文概述测试集。测试集应包含数学论文、哲学论文、新闻报道、技术文档和观点性文章，并标记每篇文章的事实、主张、证据等级和争议点。
第二，建立多条件比较实验。相同系统分别在无浏览、开放浏览、受限检索和工具增强条件下测试，以区分模型内在能力和系统工具能力。
第三，建立开放数学问题评测集。评测不应只有一道猜想，而应包含反例搜索、引理发现、证明补全、形式化编码、计算实验和错误诊断等多个任务。
第四，发展形式验证接口。要求系统输出可以由 Lean、Coq、Isabelle 或其他证明助手检查的结果，以减少只凭语言流畅度评分的问题。
第五，建立系统透明度审计。将模型自述与工具日志、检索记录、程序执行记录和版本信息进行比对。
第六，开展纵向研究。追踪不同系统在同一任务上的长期变化，观察提升来自模型本身、工具增强、测试适应还是数据污染。
全文总结
本文围绕“贾子猜想”文章及其引发的 18 个人工智能系统网页概述测试，讨论了人工智能评测中的几个核心问题。
第一，这次测试的直接对象是指定文章的网页读取与内容概述，而不是贾子猜想的数学破解。ChatGPT 获得 100 分，其他系统获得从 99 分到负 100 分不等的成绩。这些分数可以反映系统在本次任务中的网页访问、文本理解、结构提炼、观点归因和表达能力，但不能直接解释为模型总体智能、数学能力或 AGI 水平。
第二，网页访问、文章概述、事实核验、数学证明和元认知审计属于不同任务层次。一个系统能够读取和概述文章，并不表示它已经验证文章中的数学命题；一个系统不能读取网页，也不必然意味着它缺乏数学推理能力。特别是 0 分、负分和缺考结果，应当结合权限、工具、网络环境、额度和失败日志进行解释。
第三，指定文章提出的贾子猜想具有明确的数论表达，并被作者赋予人工智能认知测试的双重角色。文章还提出四层不可逆刚性架构、KCIT 底层范式审计和 LWEVSD 多维评分体系。这些概念为讨论真理、逻辑、价值、外部独立和系统自省提供了富有启发性的理论语言，但目前更适合被视为作者提出的理论框架，而不是已经由独立实验确立的标准化认知测量工具。
第四，有限穷举与全局证明必须严格区分。对有限范围内的候选解进行搜索，可以增加对猜想的信心，也可能成为计算机辅助证明的一部分；但如果没有证明所有潜在解都在该范围内，就不能把有限搜索等同于全局无解证明。反例与证明在逻辑上不对称：一个有效反例即可否定全称猜想，而没有发现反例通常不能证明猜想成立。
第五，不能从一个人工智能系统没有解决开放数学问题，直接推出某类系统原则上不可能进行数学创造，也不能从一次失败直接推出其底层范式已经被证伪。要建立这种强结论，需要独立的理论证明、广泛的任务样本、可重复实验、跨系统比较和对混淆变量的控制。
第六，文章对学术权威符号的批判具有合理内核：诺贝尔奖、菲尔兹奖和专家头衔不能替代具体命题的逻辑证明。但这不意味着专业经验完全没有价值。学术资历可以提供有限的可信度线索，帮助识别错误、定位文献和评估研究质量；它只是不能被当作数学命题的充分证明。
第七，基准污染研究表明，公开测试可能混合记忆、检索和真正泛化。评测者必须明确测试究竟要测量模型内在能力、开放网页研究能力还是工具增强后的系统能力。一个公开网页概述测试可以具有很高的实用价值，但不应在缺乏额外证据时被解释为纯粹的新颖推理测试。
第八，如果要将类似测试发展为国际规范意义上的学术研究，应采用预注册、统一访问条件、多维评分、独立复评、重复实验、工具日志、版本记录和形式化验证。最合理的评测框架应把访问与工具层、阅读与结构层、立场与事实层、数学分析层、形式验证层和元认知透明度层分开报告，而不是将它们压缩成一个单一分数。
综合而言，“贾子猜想”案例的主要学术价值，不在于它已经证明某一人工智能范式必然失败，也不在于一次排行榜能够决定全球模型的智能高低，而在于它暴露了人工智能评测中经常出现的层次混淆：把网页访问当作理解，把流畅复述当作事实验证，把有限搜索当作全局证明，把模型自述当作内部机制，把一次任务成绩当作总体智能，把权威意见当作命题证明。
更稳健的结论是：贾子猜想可以作为一个有挑战性的数学和方法论案例，用于研究开放问题、反例搜索、证明验证、工具增强和系统自我说明；但它目前不能在缺少独立验证的情况下，被单独确立为人工智能认知能力的唯一元判定标准。未来的人工智能评测应当从“谁的分数最高”逐步转向“分数测量了什么、证据从哪里来、结论能否复现、失败原因是什么，以及系统是否能够诚实地说明自己的边界”。
参考文献
更多推荐
0
0- 0
已为社区贡献21条内容
所有评论(0)