GPT-5.6 九十分钟撬动统计学二十年悬案
2026 年 7 月 14 日，宾夕法尼亚大学沃顿商学院统计学副教授埃德加·多布里班（Edgar Dobriban）打开 ChatGPT，给 GPT-5.6 Sol Pro 抛了一道关于 BH 方法的老题。
大约九十分钟后，模型返出一份完整反例构造方案，附一份可机器核验的数值证明。
同月，他的同事用 GPT-5.5 啃同一道题，多智能体并行跑了 二十多个小时，无功而返。
同一道题，模型迭代一代，耗时从"天"缩到"小时"，效率差出一个数量级以上。
BH 方法：那道撑了十三万次引用的承重墙
先把这道题的份量说清。
1995 年，统计学家 Benjamini 与 Hochberg 提出一套方法，解决的是一个非常现实的痛点——同步做成千上万次假设检验时，假阳性会失控。基因组扫描、脑成像、因子筛选，检验越多，误报越凶。
BH 方法就像一道安全阀：保证研究者宣称的"重大发现"里，错误发现率（FDR）不踩过预设线。至今这篇论文引用 超 13 万次。斯坦福统计泰斗伊曼纽尔·坎德斯（Emmanuel Candès）给过评价：是 1950 年以来统计学领域最重要的两项成果之一。
但它头上悬了一团云。
BH 最早只在数据相互独立的理想条件下被证明有效，后来延伸到正相关场景。可现实数据哪有那么乖——基因组连锁不平衡、脑区信号联动、金融指标同涨同跌，全是"任意相关"。于是学界卡出一个问号：
在任意相关结构的双侧高斯检验下，BH 还能稳稳控住 FDR 吗？
过去二十年，包括 Benjamini 本人在内的顶尖学者反复推公式、跑仿真，多数人倾向于"应该还行"。但两样东西一直缺：严谨证明，或者能证伪的反例。
这一卡，就是二十年。
九十分钟，从零拼出反例
多布里班喂给 GPT-5.6 的输入极克制：只有 BH 方法的严格数学形式化定义。没精心雕提示词，没加思维链引导，也没"请分步推理"这类指令。
模型自己把反例推出来了。
它搭了一套特定高斯因子模型，含三组变量——96% 原假设为真，4% 带信号，所有观测共享一个潜在随机因子 Z。然后它调分块载荷参数，让 Z 落在某一组正概率取值时，信号区块推高拒绝次数的同时，原假设的双侧尾部概率刚好高于理论预期。
结果：显著性水平 α=0.01 下，BH 方法实际 FDR 跑到了 0.0104。
差只有 0.0004，极小，但严格越线。——反例不需要宏大，存在即可。
二十小时 vs 九十分钟，差在哪
同一题，GPT-5.5 多 Agent 跑一天不到头；GPT-5.6，一个半小时交卷。
表面看是 2026 年 7 月 9 日那次发布的参数升级——GPT-5.6 分三层：Sol（复杂推理/科研）、Terra（日常）、Luna（低成本部署）；新增 Max 模式（允许更长推理）、Ultra 模式（多子 Agent 协同）；上下文从 100 万 token 扩到 150 万。
但参数只是表皮。
多布里班自己的评语更准："能力提升真切可见，我们身处一个激动人心的时代。"他没泛泛说"模型变聪明"，而是说"底层能力跃迁"。
GPT-5.6 能完成的那些事，GPT-5.5 不是"做得不够好"，是根本做不了。
这次 BH 反例尤其典型——模型不是检索、不是试错，是把"FDR 渐近分析 + 数值证书"两种人类很少焊一起的方法诡异组合，走出一条人类没想过的构造路径。多布里班已把对话记录和提示词全公开，那段输入短到让人意外：没反复雕，没几十轮调，抛一个问题，等九十分钟，收结论。
"我希望是人类完成的"
加州大学伯克利分校统计学家 Will Fithian 在社交平台留的那句话，被转得最多：
这个猜想是统计学领域最有意思的未解难题……GPT-5.6 把它解决了，但我原本希望由人类完成。
"本期待人类攻克"——这七个字的失落感，比任何技术指标都重。
有数学家提到，他自己和团队用 GPT-5.5 啃过好几轮，全败。学界开始冒出一种声音：理论统计学家以后的位置在哪？
多布里班在预印本里给了一句定心丸：这次发现现阶段主要影响理论层，BH 方法实务里照样能用。
但"理论层"这三个字，恰恰是学科最难撼的那块。
理论是地基。地基裂一道缝，楼上不会立刻塌，但所有人都知道缝在那。
九十分钟，折叠二十年
对理论统计这行来说，历史像在这一刻被折了一下——人类二十年的脑力量，被压进模型九十分钟的推理里。
这和以往所有"AI 辅助科研"都不一样。过去 AI 是工具，人指路，工具执行。这一回，GPT-5.6 只凭一个形式化定义，自己找论证路径、自己构造反例、自己出可核验的证明——全程没人引导，完成了"提问题→反例→证明"的完整一跳。
同周 GPT-5.6 还一小时攻下图论五十年猜想、一夜解开卡了物理学家半年的弦论题，BH 是第三发。Tracking AI 离线 IQ 榜 GPT-5.6 全家桶 136 分，首破 130"天才线"。
那堵撑了十三万次引用的学术承重墙，被 GPT-5.6 撬了条缝。
缝不宽，但新风已经进来。
长推理跑起来，模型侧的事也得跟上
BH 这种题能 ninety-minute 跑完，背后是 Sol 档长推理 + Ultra 多 Agent 协同 + 150 万上下文——但这类"单任务长耗、多轮核验、还要反复调"的科研场景，token 消耗是真不便宜。更别说同周那几发（图论、弦论）要是全用官方直连，账单先扛不住。
现在不少研究团队的做法是：GPT-5.6 Sol 主攻长推理/科研攻坚，Claude 4/5 写 Agent 循环逻辑，Gemini 扛多模态，DeepSeek 补性价比——不同环节切不同模型，账才好看。
像 UseAIAPI 这类把 GPT-5.6、Gemini、Claude、DeepSeek 等最新主流模型聚在一起的接入服务，最近在科研和开发者圈提得越来越多：省掉逐个签约、逐个适配的麻烦；实验室或企业可以按自己节奏做定制封装，长推理、Agent 循环、多模态都能直接嵌；价格层面，官方定价 5 折起，对"单次长耗 + 多轮迭代"这类科研调用，预算比较好控。
九十分钟撬动二十年那是模型的事；让模型能安心跑满九十分钟不被账单叫停，那是接入侧的事。两边都得就位，折叠历史才折叠得起。
信息源：Edgar Dobriban 预印本及公开对话记录、Will Fithian 社交平台发言、Tracking AI 离线 IQ 榜（2026-07）、OpenAI GPT-5.6 发布说明