同一道题：GPT-5.5 跑二十小时无果，GPT-5.6 九十分钟交卷
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，向 GPT-5.6 Sol Pro 抛了一道压了二十年的题。
题目很克制：证明或证伪一个统计学猜想——在存在相关性的双侧高斯检验下，Benjamini-Hochberg（BH）方法是否还能稳稳控住错误发现率（FDR）。他只给了 BH 方法的严格数学形式化定义，没加提示词，没加思维链，没"请分步推理"。
大约九十分钟后，模型返出一套完整反例构造方案。
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、同一位提问者，只隔一代版本——20 小时 vs 90 分钟。
差距不在算力。GPT-5.6 没比 5.5 多调动上万张卡，分水岭在推理思考架构。
BH 方法：那道撑了十三万次引用的承重墙
先把题的分量说清。
1995 年，Benjamini 与 Hochberg 提出 BH 方法，解决的是"同步做成千上万次假设检验时假阳性失控"的痛点——基因组扫致病靶点、fMRI 定位几十万个观测位点，检验越多，误报越凶。
BH 就像一道安全阀：保证你宣称的"重大发现"里，错误率不踩过预设线。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）的判词：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下被证有效，后来延伸到正相关。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"。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"应该还行"。但两样东西一直缺：严谨证明，或能证伪的反例。
这道题，立了二十年。GPT-5.5 没撬开，GPT-5.6 撬了。
GPT-5.5 为什么跪了
核心不是"不够聪明"，是推理链断在半道。
2026 年初开始，开发者社区观测到一个现象：复杂推理任务里，GPT-5.5 经常在推理 token 计数撞到 516 节点时异常卡死——约 80% 的深度推理进程被强行截断。基于 390195 条交互记录的统计显示，5 月 GPT-5.5 触发 516 截断的比例飙到 53.30%，是 2 月水平的 484 倍。
5.5 的推理模式，像一条装了限时装置的长廊——日常走得通，但要你在无穷维协方差矩阵空间里凭空构造反例，这种架构不够用。
GPT-5.6 改了什么
GPT-5.6（2026 年 7 月 9 日发布）加了两手：Max 模式和 Ultra 模式。
Max：给前所未有的推理时长，让模型持续推、多路试探、自校验、反复修；
Ultra：默认调度四个子智能体并行协同，从多角度切同一道题，交叉验证。
OpenAI 在 GeneBench Pro 评测里给过一组数：129 道科研难题，开最高推理强度，GPT-5.6 Sol 通过率 28.7%，GPT-5.5 只有 12.0%——同一系列，隔一代，复杂推理能力翻倍。
多布里班自己的评语："模型能力的提升真切可感，我们身处一个激动人心的时代。"
那 0.0004 是怎么撬出来的
GPT-5.6 搭了一套特定高斯因子模型：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。调分块载荷，让 Z 落在一组正概率区间时，信号区块推高拒绝数的同时，原假设双侧尾部概率刚好高于理论预期。
结果：α=0.01 下，BH 实际 FDR 跑到 0.0104，严格越线。
差 0.0004，极小，但够了。反例不需要宏大，存在即可。
更关键的是，GPT-5.6 同时出了区间算术核验证明——借助 Python forest 调 Arb 数学库，全部运算用向外取界的区间算法，每条边界都确保包含精确实数解。不是浮点近似，是严格有限证明，任何人都能拉代码复现。
这不是"AI 碰巧猜中"，是 AI 交了一份可机器核验的严谨数学证明。
20 小时和 90 分钟，差在哪
不是算力：5.5 那趟多 Agent 并行 20 小时，算力投入不比 5.6 少；
不是数据：两遍面对的是同一题、同一份数学定义；
是推理架构。
5.5 的推理是线性 + 有天花板——单路径走入死胡同，容易在 516 节点被掐；5.6 是并行 + 可追溯——多路同探、交叉校验、持续纠偏，最后捉住那 0.0004。
OpenAI GeneBench Pro 那组 28.7% vs 12.0%，是同一道鸿沟的另一个读数。
加州大学伯克利分校统计学家 Will Fithian 的话被转得最多：
这个猜想是统计学领域最有意思的未解难题……GPT-5.6 解开了，但我原本希望由人类完成。
多布里班身边已有学者在反思：理论统计学家以后的位置在哪。
二十小时和九十分钟的距离，不只是时长——是"做不到"和"能做到"的那道界。
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 四 Agent 协同 + 150 万上下文——但"单任务长耗、多轮核验、还得反复调"的科研场景，token 是真烧。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"。这种密度下全走官方直连，账单先扛不住。
现在不少研究团队的做法是分层次切：GPT-5.6 Sol 主攻长推理和科研攻坚，Claude 4/5 写 Agent 循环逻辑，Gemini 扛多模态，DeepSeek 补性价比——不同环节塞不同模型，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，是模型的事；让模型能安心跑满九十分钟不被账单叫停，是接入侧的事。两边都就位，"折叠历史"才折叠得起。