一篇被引 13 万次的统计学支柱，是如何被 GPT-5.6 撬开 0.0004 的

1995 年，统计学家 Benjamini 与 Hochberg 发了一篇论文，提出一套在多重假设检验里控制错误发现率（FDR）的方法——BH 方法。

在此之前，科学界控假阳性的主流标准是族系误差率（FWER），卡得太死，高通量科研几乎没法做。BH 一出，等于给现代科学清了障——数万条基因里筛致病靶点？fMRI 里定位几十万体素？BH 就是那道安全阀：保证你宣称的"重大发现"里，错误率不踩过预设线。

至今这篇论文引用破 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。

但这座大厦上空，悬了二十年的云。

那团悬云到底是什么

BH 最早只在变量相互独立这个理想条件下被证有效。2001 年拓到正相关依赖（PRDS）场景。可现实数据哪有那么乖——基因组连锁不平衡、脑区信号耦合、金融指标同涨同跌，全是"任意相关"。

于是学界卡出一道问号：

在任意相关结构的双侧高斯检验下，BH 还能稳稳控住 FDR 吗？

二十年里，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。

90 分钟，从零拼出反例

2026 年 7 月 14 日，宾大沃顿统计副教授埃德加·多布里班（Edgar Dobriban）打开 ChatGPT，向 GPT-5.6 Sol Pro​ 抛了这道题。

他只喂了一份材料：BH 方法的严格数学形式化定义，没加提示词、没加思维链。

大约九十分钟后，模型返出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。

那 0.0004 是怎么拼出来的

GPT-5.6 搭的是一套特定高斯因子模型，三组变量共享同一个潜在随机因子 Z，但作用方向相反：

• 第一组：96N 个原假设成立样本

  Xi(0)​=103​Z+1091​​εi​

• 第二组：N 个有效信号样本

  Xj(1)​=512​−103​Z+1091​​ηj​

• 第三组：3N 个有效信号样本

  Xk(2)​=522​−2518​Z+25301​​ξk​

其中 Z,εi​,ηj​,ξk​ 均为相互独立的标准正态随机变量。96% 的原假设样本与 Z 同向，两组信号以不同强度反向。

精妙处在：当 Z 落在一组正概率区间时，信号区块推高拒绝数，同时原假设双侧尾部概率刚好高于理论预期。

最终结论：显著性水平 α=0.01 下，

FDRN​>0.0104>α

差 0.0004，极小，但严格越线。反例不需要宏大，存在即可。

更关键的是，GPT-5.6 同步出了区间算术核验证明——全部运算用向外取界区间算法，每条边界确保包住精确实数解。Python forest 调 Arb 数学库，任何人可拉代码复现。不是"AI 碰巧猜中"，是 AI 交了一份可机器核验的严谨证明。

0.0004 的缝，已经够撼根基

多布里班自己给的评语："模型能力的提升真切可感，我们身处一个激动人心的时代。"

加州大学伯克利分校统计学家 Will Fithian​ 那条推被转得最多：

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。学界开始冒一种声音：理论统计学家以后的位置在哪？

多布里班给了颗定心丸：本次发现现阶段主要影响理论层，BH 实务里照样能用。但"理论层"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。

缝宽 0.0004，但新风已经进来。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"。

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、区间算术复现"的科研场景，token 是真不便宜。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分层配法：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，近期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 + 多 Agent 协同"这类科研调用，预算比较好控。

0.0004 撬动 13 万次引用的——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。