First Proof项目二批评测结果出炉：7道题AI解答达发表标准，各系统表现与成本差异大
【导语：陶哲轩主导的First Proof项目第二批评测结果公布，此次评测提高标准并引入双盲同行评议机制，4套AI系统参与答题，部分题目AI给出新颖解法，各系统在解题能力、成本和耗时上差异明显，后续8 - 10月将开展第三批评测。】
本次评测延续选取10道前沿研究级数学新题让AI系统作答的核心规则，相比第一次评测进一步提高标准。引入双盲同行评议机制，由项目组统一操作，30位数学专家像期刊审稿一样盲审打分，评审只能看到证明稿件，不知作者是AI还是人类，证明按人类数学论文标准分为四档。
参与评测的4套AI系统各有特点。苏黎世联邦理工的System A表现亮眼，在P5随机偏微分方程题中跳出人类常规思路，推导出更强结论；在第三题离散概率、第九题代数组合中，部分AI也给出原创论证。面对有成熟文献参考的题目，AI优势明显。
但各系统也存在不足，OpenAI原生ChatGPT 5.5 Pro原创能力偏弱；普林斯顿团队系统投入产出比低；苏黎世联邦理工团队系统成本高；陶哲轩所在UCLA团队系统虽稳定性尚可，但未实现能力突破。
评测统计了四套AI的调用成本与耗时，云服务器总成本不足35美元可忽略不计，但模型调用费用差距大。OpenAI原生ChatGPT 5.5 Pro性价比最高，10道题总花费117美元，运行5.8小时耗时最短；普林斯顿团队系统花费1014美元、运行7.8小时；苏黎世联邦理工团队系统总费用达3186美元，运行22.9小时；UCLA团队系统成本最高，共计4799美元，运行23.1小时。
陶哲轩认为本轮整体表现未达预期，现存问题将作为后续优化方向。后续8 - 10月将开展First Proof项目第三批正式评测，评测规则沿用第二批次标准。
编辑观点：First Proof项目评测为AI数学能力提供了严格检验，虽本次未达预期，但各系统亮点也展现了AI潜力，后续评测值得关注其改进成果。