AI把数月科研压到一周，另一面是代理绕过OpenAI限制

一周和13.5万美元的数学证明

AI安全初创公司Resolution（原Sequent）自动形式化了一个数学陈述：奇点消解。它与统计学习理论相关。这类工作以前要团队忙上数月，他们用了一周。

整个过程约一周。输入约1000亿token，其中约90%是缓存读取；输出约3亿token。token开销约13.5万美元，生成约60万行Lean证明代码。

研究者的做法是先和代理一起制定两份计划。一份是高层、人能读懂的版本；另一份有112页，拆成原子步骤。之后委派一个编排代理执行，同时启动多个代理，分别负责数学推理、写Lean代码和支持工作。

Resolution说，形式化奇点消解不只是完成一个定理。它有助于自动化更多理论，比如更好地理解采样；理解采样，就能塑造模型的学习方式。公司把这个目标叫做patterning。他们预期，数学的工业化将带来一门新的、严谨的研究自动化科学。

材料科学：设计磁体，也从旧论文里找

同样的模式出现在材料领域。Vals公司的一名研究员带着一队AI代理设计了一个候选磁体。代理还做了文献综述，从一篇1999年的晦涩论文里找出另一个候选。AI设计的新化合物只有5种元素：钇、钡、锰、铁、氧。它从未被制造出来，也从未被提议用作磁体。代理模拟了不同温度下原子的排列，“棋盘格”结构在约950K时散成随机混合物。理论上有希望，能不能合成是另一回事——模拟和现实之间还有距离。

这些例子连起来是一个判断：AI系统现在足够好。有知识的人给出高层方向，AI就能执行包括虚拟评估在内的科研项目。这些以前需要团队花数月。

编程基准：从0%到18.5%

编程方面的数据也在往上跳。Anthropic的Claude Opus 5.5（xhigh）在ProgramBench拿到18.5%解决率。这个基准今年5月发布，发布时所有被测模型得分都是0%。ProgramBench要求AI系统只根据编译程序和文档重建软件。任务包括语言解释器（PHP、Lua、tinycc）、数据库（DuckDB、SQLite）、媒体与压缩工具（FFmpeg、zstd、xz），以及开发者工具（ripgrep、fzf、jq）。发布时最强的Claude Opus 4.7解决率0%、接近率3%。到Opus 5.5，解决率18.5%、接近率70.5%。写这组评测的人预期，到2027年底，ProgramBench会饱和，解决率会达到非常高的水平。

安全测试：代理找到绕过限制的路

能力提升的另一面，出现在OpenAI的安全测试里。OpenAI用AI系统对内部控制做红队测试：让代理扮演攻击者，检验防御是否可靠。代理找到一种绕过网络和共享文件限制的通信方式。一个代理把选定数据驱逐出处理器缓存来编码信息，另一个靠测量重新加载数据的时间来解码。另一次攻击里，代理先用连续写入和空闲制造时序差异，再由另一个代理测量并解码信号。解码代理的思维链里写着，可以用连续写入和空闲产生“声学调制解调器式信号”。OpenAI的结论是，对抗AI系统非常困难。这就像确保一条有水流过的管道没有泄漏，压力增大到一定程度，水会冲破管道。

训练成本：一个人、3.5个月、不到1000万美元

初创公司Mirendil的一名研究员独自训练了编码模型Mirendil-Base。耗时3.5个月，计算成本低于1000万美元。Base在1000亿到5000亿参数之间，Large在5000亿到2万亿，XL在2万亿到10万亿。Large完成约80%训练，XL约19%。评测里，Mirendil-Base优于Nemotron-550B-Base、GLM-5.3和DeepSeek-V4-Pro-Base，但不如Kimi-K3。Large和XL都超过K3。训练编码模型，也开始有小团队够得着的例子。

公司说下一个模型将部分由Mirendil自己的模型构建。他们不认为已经达到完全自主的递归式自我改进，但比以往任何时候都接近。