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。
他只喂了一份材料：Benjamini-Hochberg（BH）方法的严格数学形式化定义。
大约九十分钟后，他收到一套完整反例构造方案。
而一个月前，同一个多布里班用 GPT-5.5 啃同一道题——多智能体并行跑了 二十多个小时，一无所获。
同一道题、同一个提问者，只隔一代版本，耗时从"天"缩到"小时"。这不是量变，是质跳。
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——基因组扫描、脑成像、因子筛选皆如此，检验越多，误报越凶。
BH 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"。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"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 为什么跪：开发者圈的"516 死亡阈值"
5.5 那趟二十小时不是白给的，是死在了一个开发者圈熟知的坑里——516 现象。
2026 年初开始，GitHub 上陆续有开发者反馈：复杂推理任务里，GPT-5.5 经常在数学推理 token 计数撞到 516 节点时异常卡死——约 80% 的深度推演进程被强制截断。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。甚至有开发者发现，单纯输入数字"516"都可能诱发模型运算崩溃——故称"死亡阈值"。
不是模型不够聪，是最需要持续深推的那一刻，推理链被掐了。
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：Max + Ultra
GPT-5.6（2026 年 7 月 9 日发布）加了两手：
Max（最大推理强度）：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 模式：默认调度四个子智能体并行协同，交叉交换推演结论，用更多 token 换更短求解时间。
5.5 像埋头演算的人，思考到一半被叫停；5.6 像四名研究者从四个角度同时切同一道题，交叉验证、反复纠错，直到捉住答案。
评测侧的数也对得上：Terminal Punch 2.1 编程基准，GPT-5.6 Sol 标准模式 88.8%，开 Ultra 拉到 91.9%；覆盖 55 个领域的长期专业工作流评测，GPT-5.6 Sol 创下 53.6 分新高。
这些数落到多布里班这道题上，就是：20 小时 → 90 分钟。
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。
"我本希望是人类完成的"
加州大学伯克利分校统计学家 Will Fithian 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 解开了，但我原本希望由人类完成。
一名数学家坦言，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？
多布里班自己的评语倒是稳：
"模型能力的提升真切可感。我们身处一个激动人心的时代。"
20 小时和 90 分钟的差距，不只是时长——是"做不到"和"能做到"的那道界。
GPT-5.6 相对 5.5 绝非小迭代，这道题就是摆在所有人眼前最硬的实证。同周它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"。
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。同周那几发（图论、弦论）要是全走官方直连，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。